GPTKB 2.0: Browsing, Querying, and Auditing a Disambiguated LLM-Derived Knowledge Base

تخيل الإنترنت كمكتبة ضخمة وفوضوية، حيث كُتب كل كتاب بواسطة مؤلف مختلف، وأحياناً يكون لكتابين نفس العنوان تماماً لكنهما يرويان قصتين مختلفتين تماماً. في عالم الذكاء الاصط artificial intelligence، تُعتبر "النماذج اللغوية الكبيرة" (LLMs) بمثابة أمناء مكتبة فائقين الذكاء قرأوا كل كتاب تقريباً في هذه المكتبة. يمكنهم الإجابة على الأسئلة، وكتابة القصص، وحل المشكلات لأنهم حفظوا أنماط كل ذلك النص. ومع ذلك، هناك عقبة: هؤلاء الأمناء من الذكاء الاصطناعي لا يعرفون دائماً أي "ميونيخ" تقصد — هل هي المدينة الألمانية الشهيرة أم فيلم عام 2005؟ كما قد يعاملون "نيويورك" و"التفاحة الكبيرة" (The Big Apple) كأنهما مكانان مختلفان تماماً، رغم أنهما الشيء نفسه. تسمى هذه الحيرة بـ "مشكلة فض الالتباس" (disambiguation). لسنوات، حاول العلماء تحويل ذاكرة الذكاء الاصطناعي الفوضوية إلى خريطة حقائق منظمة ونظيفة، لكن الأمر كان يشبه محاولة فرز كومة من قطع الأحجية المختلطة دون وجود صورة على الصندوق.

الآن، قام فريق من الباحثين ببناء أداة جديدة تسمى GPTKB 2.0 لحل مشكلة الفرز هذه. فكر فيها كأنها موسوعة سحرية ذاتية التصحيح بناها الذكاء الاصطناعي لنفسه، ولكن مع لمسة مميزة: فهي لا تكتفي بسرد الحقائق فحسب، بل تحتفظ بمذكرات مفصلة حول كيفية اتخاذ قرارها بشأن ما هو حقيقة وما هو خطأ. فبدلاً من مجرد قول "ميونيخ هي مدينة"، يسأل هذا النظام الجديد: "أي ميونيخ؟ تلك التي في أوروبا أم تلك التي في فيلم؟" ومن ثم ينشئ مدخلاً منفصلاً وواضحاً لكل منهما. كما يدرك أيضاً أن "التفاحة الكبيرة" و"مدينة نيويورك" هما الشيء نفسه، فيدمجهما في مدخل واحد مثالي. والنتيجة هي قاعدة بيانات ضخمة ومنظمة تحتوي على أكثر من 38 مليون حقيقة عن 1.6 مليون شيء فريد. لكن السحر الحقيقي ليس في الحجم فحسب؛ بل في الشفافية. لقد أنشأ الباحثون موقعاً إلكترونياً يمكن لأي شخص من خلاله النظر داخل عقل الذكاء الاصطناعي، ورؤية الأسئلة الدقيقة التي طرحها على نفسه، ومشاهدة كيف قرر دمج أو فصل الحقائق، وحتى طرح أسئلة عليه بلغة بسيطة. إنها تحول معرفة الذكاء الاصطناعي الخفية إلى خريطة كنز عامة وقابلة للفحص، يمكنك استكشافها، والاستعلام عنها، والثقة بها لأنك تستطيع رؤية كيفية اكتشاف كل حقيقة بدقة.

الفكرة الكبرى: موسوعة ذكاء اصطناعي ذاتية التصحيح

جوهر هذه الورقة البحثية هو إنشاء GPTKB 2.0، وهي قاعدة معرفية ضخمة (مجموعة مهيكلة من الحقائق) بُنيت بالكامل من "عقل" نموذج لغوي كبير. وعلى عكس المحاولات القديمة التي كانت تلتقط الكلمات كما تظهر (مما أدى إلى الارتباك بين الأسماء المتشابهة مثل "ميونيخ المدينة" و"ميونيخ الفيلم")، يقوم هذا النظام الجديد بعملية فض الالتباس (disambiguation) أثناء العمل. إنه يعمل كالمحقق الذي، في كل مرة يجد فيها حقيقة جديدة، يسأل: "من هذا حقاً؟" ويتحقق من السياق قبل تدوينها.

تقدم الورقة عرضاً تجريبياً عبر الويب يجعل هذه العملية مرئية بالكامل. يمكنك تصفح قاعدة البيانات، وتتبع الروابط بين الحقائق، والأهم من ذلك، تدقيق "أصل" (provenance) كل حقيقة. وهذا يعني أنه يمكنك رؤة الكلمات السطحية التي رآها الذكاء الاصطناعي، والمطابقات المرشحة التي فكر فيها، والقرار المحدد الذي اتخذه لدمج اسمين (الترادف) أو إبقائهما منفصلين (الاشتراك اللفظي).

كيف يعمل: المحقق التكراري

بناء GPTKB 2.0 هو عملية تكرارية موجهة بالسياق. تخيل أن الذكاء الاصطناعي يبدأ بكيان بذرة واحدة، مثل "بودابست". يسأل النموذج اللغوي عن حقائق حول بودابست. عندما يرد النموذج اللغوي بكائن جديد، وليكن "ميونيخ"، فإن النظام لا يكتب فقط "ميونيخ". بل ينظر في الجملة: "بودابست لديها مدينة شقيقة، ميونيخ". هنا يدرك أن هذه هي المدينة، وليست الفيلم.

تتضمن العملية أربع خطوات رئيسية:

1. الاستخراج (Elicitation): يسأل الذكاء الاصطناعي النموذج اللغوي عن حقائق بناءً على كيان ووصف محددين.
2. التعرف على الكيانات المسماة (NER): يحدد ما إذا كانت الكلمة الجديدة هي رقم حرفي أم كيان من العالم الحقيقي.
3. فض الالتباس (Disambiguation): هذا هو بطل العرض. يقارن النظام الإشارة الجديدة مقابل المدخلات الموجودة في قاعدة البيانات. إذا كان السياق يطابق "بودابست" موجودة، فإنه يربط بها. وإذا كانت "ميونيخ" جديدة (الفيلم)، فإنه ينشئ معرفاً (ID) جديداً.
4. الدمج (Consolidation): يدمج الأسماء المترادفة (مثل "التفاحة الكبيرة" و"مدينة نيويورك") في مدخل أساسي واحد.

تجادل الورقة صراحة ضد الطريقة القديمة المتمثلة في استخدام "السلاسل السطحية" (الاسم فقط) كمعرفات. وتوضح أنه بدون سياق، تفشل السلاسل السطحية بطريقتين: فهي تخلط بين الأسماء المتشابهة (معاملة أشياء مختلفة كأنها نفس الشيء)، وتؤدي إلى تجزئة المترادفات (معاملة نفس الشيء كأشياء مختلفة). يرفض GPTKB 2.0 ذلك باستخدام "الثلاثية المستخرجة" (الجملة التي جاءت منها الحقيقة) ووصف الكيانات الموجودة كـسياق لاتخاذ القرار الصحيح.

الأرقام: خريطة ضخمة ونظيفة

حجم هذا المشروع مذهل. تشير الورقة إلى أن GPTKB 2.0 يحتوي على:

• 38.4 مليون ثلاثية (حقائق في شكل موضوع-مسند-مفعول به).
• 1.6 مليون كيان مُوحّد (أشياء فريدة تم فض الالتباس حولها).
• 207,633 علاقة مُوحّدة (أنواع الروابط).
• 66,523 فئة مُوحّدة (فئات الأشياء).

ومن المثير للاهتمام أن حوالي 36.8% من هذه الكيانات هي كيانات جديدة مقارنة بقواعد البيانات الموجودة مثل Wikidata، مما يعني أن النموذج اللغوي اكتشف حقائق لم تكن موجودة سابقاً في قواعد البيانات المهيكلة.

واجهة الويب: الشفافية هي الميزة الأساسية

الجزء الأكثر تميزاً في هذه الورقة هو واجهة الويب عبر الرابط https://gptkb.org/. إنها ليست مجرد محرك بحث؛ بل هي "صندوق زجاجي" داخل منطق الذكاء الاصطناعي.

• قرارات قابلة للتتبع: إذا نقرت على كيان مثل "هايد بارك"، يمكنك رؤية كيف قرر النظام أنه الموجود في لندن وليس غيره. يمكنك رؤية قائمة المرشحين الذين فكر فيهم الذكاء الاصطناعي ولما لماذا رفضهم.
• دمج المترادفات: إذا نقرت على "التفاحة الكبيرة"، ستظهر لك الواجهة أنها دُمجت في "مدينة نيويورك". يمكنك أيضاً النقر لرؤية "الأمر" (prompt) المحدد الذي استخدمه الذكاء الاصطناعي لاتخاذ هذا القرار.
• ربط الكيانات: يمكنك كتابة نصك الخاص، وسيقوم النظام بربط الأسماء في نصك بالمدخلات الصحيحة في GPTKB 2.0. على سبيل المثال، إذا كتبت عن "ميركوري"، فسيقوم النظام بربط الاسم بالكوكب أو بالإله الروماني بشكل صحيح، بناءً على سياق جملتك.
• الاستعلام: يمكنك طرح أسئلة بلغة بسيطة (مثل "بماذا تشتهر بودابست؟")، وسيقوم النظام بترجمة ذلك إلى استعلام قاعدة بيانات مهيكل (SPSPARQL) للحصول على الإجابة. كما يوضح لك الاستعلام الدقيق الذي أجراه والخطوات التي اتخذها.

ما مدى تأكدنا؟ (التقييم)

لم يكتفِ المؤلفون ببنائه فحسب، بل اختبروه بدقة. لقد قاموا بفحص عينات من البيانات يدوياً لمعرفة ما إذا كان الذكاء الاصطناعي قد ارتكب أخطاء.

• دقة الدمج: عندما قرر النظام أن اسمين هما نفس الشيء (مترادفات)، كان صحيحاً بنسبة 98% للأسماء ذات التسميات المتطابقة و91% للأسماء ذات التسميات المختلفة. وكان نمط الخطأ الرئيسي هو "الدمج الخاطئ" (الاعتقاد بأن شيئين مختلفين هما نفس الشيء)، وهو ما حدث بنسبة 9% في حالات معينة من الأسماء المستعارة.
• دقة الفصل: عندما قرر النظام أن شيئين مختلفان (اشتراك لفظي)، فقد كان صحيحاً بنسبة 100% في عينة الأزواج ذات التسميات المتطابقة التي أبقاها منفصلة.
• الواقعية (Factuality): عند التحقق مما إذا كانت الحقائق صحيحة، كانت 94.5% من الثلاثيات التي فحصها البشر "صحيحة"، و 2.0% فقط كانت "خاطئة". وعندما قام حكم ذكاء اصطناعي بفحص 1,000 عنصر، كانت النسبة الصحيحة 92.8%.

تشير الورقة إلى أن السياق (وصف الكيان) أمر بالغ الأهمية. في تجربة لم يرَ فيها الحكم الآلي وصف الكيان، انخفضت دقة الحقائق بشكل ملحوظ (من 94.5% حقيقة إلى 80% حقيقة)، مما يثبت أن السياق هو ما يجعل فض الالتباس ناجحاً.

ما ليس عليه

من المهم ملاحظة ما لا تدعيه هذه الورقة. فهي لا تقول إن GPTKB 2.0 مثالي أو أنه حل مشكلة "الهلوسة" في الذكاء الاصطناعي تماماً. يقر المؤلفون بأن عمليات دمج المترادفات الخاطئة (دمج شيئين مختلفين لأنهما متشابهان) هي أكبر خطأ متبقٍ. كما يوضحون أن هذه قاعدة معرفية "عامة المجال"، مما يعني أنها تغطي مجموعة واسعة من المواضيع ولكنها ليست قاعدة بيانات طبية أو قانونية متخصصة. النتائج مبنية على أخذ عينات يدوية وآلية، وليس فحص كل واحدة من الـ 38 مليون حقيقة، وهو أمر مستحيل.

الخلاصة

يمثل GPTKB 2.0 خطوة هامة للأمام لأنه يحول "الصندوق الأسود" لمعرفة النماذج اللغوية الكبيرة إلى "صندوق زجاجي". من خلال بناء قاعدة بيانات تقوم بفض الالتباس حول الكيانات أثناء العمل وتسجل كل قرار، أنشأ الباحثون مورداً ليس ضخماً ومفيداً فحسب، بل هو أيضاً قابل للتدقيق. يمكنك الوثوق بالحقائق لأنك تستطيع رؤية الأدلة وراءها. وهذا يشير إلى أنه يمكننا بناء معرفة مهيكلة وموثوقة من المعرفة غير المهيكلة والفوضوية لنماذج الذكاء الاصطناعي، بشرط أن نكون مستعدين للقيام بالعمل الشاق المتمثل في فحص السياق والاحتفاظ بمذكرات مفصلة لقراراتنا.