NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
يُعد NoSy-RAG إطار عمل توليدي معزز بالاسترجاع عصبي-رمزي معياري يقوم بتوليف وحدات برولوج (Prolog) قابلة للعزو من النصوص المسترجعة لتقديم إجابات شفافة وحتمية والكشف تلقائياً عن سياق المستخدم المفقود، محققاً دقة فائقة مقارنة بالنماذج المرجعية القياسية لتقنية RAG في اختبار ShARC.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول حل لغز ما، ولكن بدلاً من المحقق، لديك مساعد آلي ذكي للغاية وكثير الكلام. هذا الروبوت قد قرأ كل كتاب تقريباً في المكتبة ويمكنه تقديم الإجابة على أي سؤال تقريباً. هذا ما نسميه "نموذج لغة كبير" (LLM). ومع ذلك، هناك عقبة: أحياناً يقوم هذا الروبوت بتأليف أشياء من خياله، أو ما يسمى بـ "الهلوسة"، وعندما يشرح طريقة تفكيره، يبدو الأمر كأنه حلم ضبابي بدلاً من خريطة واضحة. لا يمكنك دائماً معرفة لماذا أعطاك إجابة معينة أو ما إذا كان قد قرأ بالفعل الصفحة الصحيحة في المكتبة. هذه مشكلة كبيرة في المجالات الجادة مثل القانون أو الطب، حيث تحتاج إلى معرفة مصدر المعلومة بدقة والتأكد من صحتها. ولحل هذه المشكلة، حاول العلماء دمج هذه الروبوتات الثرثارة مع "الاستدلال الرمزي" (symbolic reasoning) — وهو نوع من منطق الحاسوب يعمل مثل برهان رياضي صارم وخطوة بخطوة. فكر في الأمر كإعطاء الروبوت قائمة مراجعة جامدة ليتبعها حتى لا يكتفي بمجرد التخمين. السؤال الكبير هو: هل يمكننا صنع روبوت يكون ثرثاراً بما يكفي لفهمنا وصارماً بما يكفي لنثق به؟
هنا يظهر NeSy-RAG، وهو إطار عمل جديد اقترحه يوناس غان ومايكل جيرتز لمحاولة حل هذا اللغز. تخيل أن مكتبة الروبوت عبارة عن مستودع ضخم مليء بالأوراق المتناثرة (قطع نصية). عادةً، عندما تطرح سؤالاً، يلتقط الروبوت بضع أوراق، يقرأها، ثم يخمن الإجابة. أما NeSy-RAG فيفعل شيئاً مختلفاً. فعندما يلتقط ورقة، فإنه لا يكتفي بقراءتها فحسب؛ بل يحول تلك الورقة فوراً إلى "لغز منطقي" صغير ومستقل مكتوب بلغة تسمى "برولوج" (Prolog). إنه يشبه تحويل فقرة نصية إلى مجموعة من قواعد "إذا... فإن..." الصارمة. على سبيل المثال، إذا كان النص يقول: "يمكنك المطالبة بالمزايا إذا كان عمرك فوق 18 عاماً"، فإن النظام يحول ذلك إلى قاعدة: إذا كان العمر > 18، فإن الشخص مؤهل.
وهنا يكمن الذكاء. يقوم النظام ببناء مجموعة كاملة من هذه الألغاز المنطقية من الأوراق التي يجدها. ولكن بدلاً من محاولة حل المكتبة الفوضوية بأكملها دفعة واحدة، فإنه يستخدم حيلة خاصة تسمى "المحمولات صفرية الترتيب" (0-arity predicates). فكر في هذا كتحويل كل قاعدة معقدة إلى سؤال بسيط من نوع "نعم/لا"، مثل "هل الشخص فوق 18 عاماً؟" أو "هل الشخص مواطن؟". يقوم الروبوت بعد ذلك باستخدام بحث ذكي للعثور فقط على أسئلة "نعم/لا" المحددة التي تتوافق مع استفسارك. يقوم بربط هذه الأسئلة معاً في استعلام منطقي نهائي ويقوم بتشغيله. ولأن النظام يشغل برنامجاً منطقياً، فإن الإجابة تكون حتمية (deterministic) — فهي إما صح أو خطأ، ولا مجال للتخمين فيها. والأفضل من ذلك، أن النظام يحتفظ بـ "إيصال" مثالي لكل خطوة، يوضح بالضبط أي قطعة من النص أدت إلى أي قاعدة، بحيث يمكنك تتبع الإجابة وصولاً إلى المصدر.
ولكن ماذا لو لم يمتلك الروبوت معلومات كافية؟ رب-ما تسأل: "هل أنا مؤهل؟" ولكن الروبوت لا يعرف عمرك. الروبوت العادي قد يخمن "نعم" أو "لا" ويتمنى الأفضل. أما NeSy-RAG، فيمتلك "كاشف فجوات المعرفة". فهو ينظر إلى لغزه المنطقي ويدرك: "مهلاً، أنا أفتقد قيمة لمتغير 'العمر'!". وبدلاً من التخمين، يتوقف ويسألك: "كم عمرك؟". ويستمر في طرح هذه الأسئلة المتابعة المستهدفة حتى يمتلك جميع القطع اللازمة لحل اللغز. وهذا يمنع الروبوت من اختلاق الحقائق.
اختبر الباحثون هذا النظام على مجموعة بيانات تسمى ShARC، والتي تحتوي على أسئلة قانونية حول مزايا الحكومة البريطانية. لم يقموا بتدريب النظام على هذه البيانات المحددة، بل تركوه يستنتج كل شيء في الوقت الفتراضي. كانت النتائج واعدة؛ فقد حصل NeSy-RAG على الإجابة الصحيحة بنسبة 61.1% من المرات. وكان هذا أفضل بشكل ملحوظ من نظام "الدردشة التقليدي فقط" الذي حاول القيام بنفس المهمة دون القواعد المنطقية، حيث لم يحصل إلا على 42.8% فقط. كما كان النظام الجديد أسرع، حيث استغرق في المتوسط 7.4 ثانية لكل سؤال مقارنة بـ 11.4 ثانية لنهج الدردشة التقليدي.
ومع ذلك، فإن الورقة البحثية حريصة على عدم وصف هذا الحل بأنه مثالي. فالنظام لا يزال نموذجاً أولياً. أحياناً، قد يكون حذراً أكثر من اللازم. فإذا لم يكن متأكداً بنسبة 100% من حقيقة مفقودة، فإنه سيطلب مزيداً من المعلومات حتى عندما قد لا يكون ذلك ضرورياً تماماً، مما يؤدي به إلى قول "أحتاج إلى مزيد من المعلومات" (وهو ما يسميه الباحثون "المزيد" - more) بدلاً من إعطاء إجابة قاطعة بـ "نعم" أو "لا". في الواقع، قام بتصنيف حوالي 31% من إجابات "نعم" بشكل خاطئ على أنها "مزيد من المعلومات"، مما يشير إلى أنه يرفع الكثير من أعلام "المعلومات المفقودة". ورغم أن هذا قد يكون مزعجاً بالنسبة للسرعة، إلا أن المؤلفين أشاروا إلى أنه في المواقف عالية المخاطر مثل القانون، من الأسلم أن تكون حذراً بدلاً من أن تكون مخطئاً بثقة. كما واجه النظام بعض الصعوبة مع الأسئلة "غير ذات الصلة"، حيث ارتبك أحياناً حول ما إذا كانت قطعة النص مرتبطة بالسؤال أم لا.
باختزال، يظهر NeSy-RAG أنه من خلال تحويل النصوص إلى ألغاز منطقية صارمة والطلب للحصول على قطع المعلومات المفقودة، يمكننا بناء ذكاء اصطناعي أكثر شفافية، وأكثر دقة، وأقل عرضة للكذب. إنه ليس حلاً سحرياً يحل كل شيء بشكل مثالي بعد، ولكنه خطوة قوية نحو صنع مساعدين ذكاء اصطناعي يمكنك الوثوق بهم حقاً في الحقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.