KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs
تقدم الورقة البحثية KGCaRe، وهو إطار عمل هجين يعزز الإجابة على الأسئلة الشرطية المعقدة من خلال الجمع بين الاسترجاع العصبي وبناء مخطط المعرفة التلقائي المدفوع بالنماذج اللغوية الكبيرة والعبور المتكرر للمخطط، مما يظهر أداءً فائقاً على النماذج والمجموعات المرجعية الحالية.
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 ضخم ومتعدد الطبقات، مثل معرفة السبب الدقيق وراء قدرة شخصية في لعبة فيديو على شراء عنصر معين أو عدم قدرتها على ذلك. لديك مكتبة ضخمة من كتب القواعد (وثائق) ودفتر ملاحظات كبير وفوضوي من الأدلة (رسم بياني للمعرفة). إذا طلبت من روبوت فائق الذكاء (ذكاء اصطناعي) فقط أن يقرأ المكتبة بأكملها ويخمن الإجابة، فقد يصاب بالارتباك، أو قد يغفل عن قاعدة صغيرة مدفونة في الصفحة 400، أو قد يخترع سبباً يبدو جيداً ولكنه ليس حقيقياً. هذا هو عالم "الإجابة على الأسئلة" للحواسيب. يحاول العلماء تعليم هذه الروبوتات كيف تكون محققين أفضل، خاصة عندما تكون الأسئلة مخادعة، ومليئة بشروط من نوع "إذا حدث هذا، فسيحدث ذاك"، وتتطلب ربط النقاط عبر صفحات مختلفة. تعالج الورقة البحثية التي أوشكت على قراءتها هذا الأمر من خلال منح الروبوت قوتين خارقتين في آن واحد: القدرة على قراءة النص الفوضوي مثل البشر، والقدرة على اتباع خريطة منطقية صارمة للحقائق مثل الحاسوب.
لاحظ الباحثون وراء هذه الدراسة، غانشيام فيرما وفريقه، أنه بينما يتفوق الذكاء الاصطناعي في الدردشة، فإنه غالباً ما يتعثر عندما يُسأل أسئلة معقدة تعتمد على شروط محددة، مثل القواعد القانونية أو تفاصيل السياسات. ولإصلاح ذلك، قاموا ببناء نظام جديد يسمى KGCaRe. فكر في KGCaRe كمحقق لا يكتفي فقط بقراءة ملف القضية، بل يقوم أيضاً ببناء خريطة مادية للأدلة أثناء عمله. بدلاً من مجرد مطالبة الذكاء الاصطناعي بـ "تخمين" الإجابة من كومة من النصوص، يستخدم KGCaRe أولاً الذكاء الاصطناعي لتحويل الوثائق إلى "رسم بياني للمعرفة" مهيكل—وهو عبارة عن شبكة من الحقائق المتصلة (مثل "المتقدم" ← "يجب أن يقدم" ← "النموذج"). بعد ذلك، يستخدم طريقة ثانية للعثور على مقتطفات نصية ذات صلة قد لا تكون موجودة في الخريطة بعد.
إليك كيف يحدث السحر: عندما يُطرح سؤال ما، لا يتوقف KGCaRe عند هذا الحد للإجابة. بل يبدأ في السير عبر شبكة الحقائق، خطوة بخطوة. إذا لم تمنحه الخطوة الأولى معلومات كافية، يتصرف الذكاء الاصطناعي كمستكشف فضولي، متسائلاً: "حسناً، من أيضاً معني بالأمر؟ ما الذي يجب أن أبحث عنه أيضاً؟". يستخدم هذه الأدلة الجديدة للقفز إلى الجزء التالي من الخريطة. وإذا لم يستطع حل اللغز بعد، فإنه يلتقط النصوص ذات الصلة من الوثائق الأصلية لسد الثغرات. أخيراً، يجمع بين المسار المنطقي الذي سلكه في الخريطة والنص الذي وجده لتقديم إجابة ليست صحيحة فحسب، بل تأتي أيضاً مع شرح واضح لكيفية توصل إلى النتيجة.
اختبر الفريق هذا النظام على مجموعتي بيانات صعبتين: إحداهما تحتوي على أسئلة سياسات بريطانية معقدة، والأخرى تحتوي على ألغاز قائمة على ويكيبيديا. وضعوا KGCaRe في مواجهة أساليب أخرى، بما في ذلك الذكاء الاصطناعي الذي يخمن فقط، والذكاء الاصطناعي الذي يقرأ النصوص فقط، والذكاء الاصطناعي الذي يتبع الرسم البياني فقط. كانت النتائج واضحة: فاز KGCaRe باستمرار. وسواء استخدموا ذكاءً اصطناعياً أصغر مفتوح المصدر أو نموذجاً قوياً مثل GPT-4o، فإن النهج الهجين الذي يجمع بين الخريطة والنص أدى إلى إجابات أفضل، خاصة بالنسبة لتلك الأسئلة المعقدة من نوع "إذا-إذن". على سبيل المثال، في مجموعة بيانات السياسة البريطانية، حقق KGCaRe متوسط درجة 57.89، متفوقاً على ثاني أفضل طريقة بفارق كبير. تشير الورقة البحثية إلى أنه من خلال منح الذكاء الاصطناعي كلاً من الخريطة المهيكلة وحرية قراءة النص الخام، يمكننا جعلهم أفضل بكثير في حل الألغاز الواقعية حيث يمكن أن يغير فقدان شرط واحد الإجابة بأكملها. والأمر الأفضل؟ لأن النظام يحتفظ بسجل لكل خطوة اتخذها في الخريطة، فإنه يستطيع أن يريك بالضبط كيف وصل إلى استنتاجه، مما يجعل تفكير الذكاء الاصطناعي شفافاً وموثوقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.