KGCache: Amortized Subgraph Retrieval for KG Reasoning with LLMs

تخيل أن لديك صديقاً ذكياً جداً ومبدعاً جداً، يمكنه كتابة القصص، وحل الألغاز، والدردشة حول أي شيء تحت الشمس. هذا الصديق هو نموذج لغوي كبير (LLM)، وهو نوع من الذكاء الاصطناه الذي قرأ كل شيء تقريباً على الإنترنت. لكن هناك عقبة: عقل هذا الصديق يشبه لقطة مجمدة للعالم من قبل بضع سنوات؛ فهو لا يعرف ماذا حدث بالأمس، وأحياناً يختلق حقائق تبدو مثالية ولكنها خاطئة تماماً، وهذا ما يسمى "الهلوسة".

ولإصلاح ذلك، نمنح صديقنا بطاقة مكتبة لموسوعة ضخمة ومنظمة تسمى "رسم بياني للمعرفة" (Knowledge Graph). فبدلاً من التخمين، يمكن للصديق البحث عن حقائق محددة، مثل "من هو رئيس فرنسا؟" أو "ما هي الأفلام التي شارك فيها توم هانكس؟" عبر تتبع مسارات الروابط بين الأشخاص والأماكن والأشياء. ومع ذلك، فإن طلب المعلومات من هذه المكتبة أمر بطيء؛ ففي كل مرة يطلب فيها الصديق معلومة، يتعين عليه المشي إلى المكتبة، والعثور على الرف المناسب، وسحب الكتاب، وقراءة صفحة، ثم العودة. إذا سألته 100 سؤال، وكان الكثير منها عن نفس الأشخاص أو الأماكن المشهورة، فسيكون صديقك بصدد القيام بالكثير من المشي غير الضروري وجلب نفس الصفحات مراراً وتكرارًا. تطرح هذه الورقة البحثية السؤال التالي: "ماذا لو كان لدينا غرفة انتظار صغيرة بجوار صديقنا مباشرة، حيث يمكننا الاحتفاظ بالصفحات الأكثر شيوعاً في متناول اليد حتى لا يضطر للذهء إلى المكتبة في كل مرة؟"

هذا بالضبط ما فعله الباحثون في جامعة تكساس إيه آند إم (Texas A&M University). لقد بنوا نظاماً ذكياً يسمى KGCache. فكر في الأمر كلوحة "ملاحظات لاصقة" سحرية موضوعة بين صديقك الذكي والمكتبة الضخمة. عندما يسأل صديقك عن معلومات تخص شخصاً معيناً (مثل "إيلون ماسك")، يتحقق النظام من الملاحظات اللاصقة أولاً؛ فإذا كانت المعلومة موجودة بالفعل، فإنه يقدمها فوراً. وإذا لم تكن موجودة، فإنه يركض إلى المكتبة، ويجلب المعلومة، ويلصقها على اللوحة لاستخدامها في المرة القادمة، ثم يعطيها لصديقك.

اختبر الباحثون هذا النظام على مجموعتين كبيرتين من الأسئلة الصعبة (تسمى WebQSP و CWQ) ووجدوا شيئاً مثيراً للاهتمام: صديقك الذكي يطلب نفس المعلومات مراراً وتكراراً! في الواقع، بالنسبة لبعض الأسئلة الشائعة، كان ما يقرب من 76% من الأشخاص والأماكن المذكورين عبارة عن تكرارات! وبسبب ذلك، تمكن KGCache من تقديم الإجابات من خلال "ملاحظاته اللاصقة" بدلاً من الركض إلى المكتبة. وقد جعل هذا عملية استرجاع المعلومات أسرع بمقدار يصل إلى 1.91 مرة في إحدى مجموعات البيانات. وهذا يعني أن الذكاء الاصطناعي قضى وقتاً أقل في المشي إلى المكتبة ووقتاً أكثر في التفكير والإجابة فعلياً.

كما جربوا حيلة ثانية أكثر ذكاءً تسمى "التخزين المؤقت الدلالي" (semantic caching). تخيل لو أن صديقك سأل: "من هو قائد فرنسا؟" وكنت قد بحثت بالفعل عن "من يدير دولة فرنسا؟"؛ رغم أن الكلمات كانت مختلفة، إلا أن المعنى كان واحداً. لاحظ التخزين المؤقت الدلالي هذا التشابه وقال: "مهلاً، لدي الإجابة على ذلك بالفعل!"، مما وفر المزيد من الوقت، رغم أن الباحثين أشاروا إلى أن هذا الأمر يحتاج إلى مزيد من الاختبار للتأكد من أن الإجابات لا تزال دقيقة بنسبة 100%.

لا تدعي هذه الورقة البحثية أنها حلت جميع مشاختل الذكاء الاصطناعي أو جعلت النظام مثالياً، بل إنهم قاسوا بدقة مقدار الوقت الذي تم توفيره ووجدوا أنه بينما كانت السرعة المحققة كبيرة في جزء "المشي إلى المكتبة"، فإن إجمالي الوقت الموفر للمحادثة بأكملها كان أصغر (أسرع بمقدار 1.06 مرة تقريباً) لأن الذكاء الاصطناعي لا يزال يتعين عليه القيام بجزء "التفكير". كما أظهروا أن هذه الحيلة تعمل سواء كان الذكاء الاصطناعي يطرح الأسئلة واحداً تلو الآخر أو يخطط لمسار كامل من الأسئلة دفعة واحدة.

باختصار، أثبت الباحثون أنه من خلال مجرد تذكر ما بحثنا عنه بالفعل، يمكننا جعل أنظمة الذكاء الاصطناعي التي تستخدم الرسوم البيانية للمعرفة أكثر سرعة وكفاءة. إنها فكرة بسيطة — لا تجلب ما تملكه بالفعل — ولكن تبين أنها مفيدة جداً عندما يحاول صديقك الذكي الإجابة على آلاف الأسئلة حول نفس الأشخاص والأماكن المشهورة.