IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering
يُعد IterCOMP إطار عمل لضغط المطالبات بشكل تكراري وخالٍ من التدريب، يعمل على تعزيز الإجابة على الأسئلة متعددة الخطوات من خلال تفكيك المستندات ديناميكيًا وتوليد أسئلة متابعة مستهدفة لبناء مطالبات مدمجة وموجهة نحو الاستدلال، مما يؤدي إلى تحسين الدقة والكفاءة مع تقليل استخدام الرموز (tokens).
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 متعدد الطبقات. لديك كومة عملاقة من الصحف القديمة، والمجلات، والملاحظات المكتوبة بخط اليد مبعثرة على أرضيتك. هدفك هو العثور على إجابة لسؤال صعب لا يمتلك دليلاً واضحاً واحداً، بل يتطلب بدلاً من ذلك ربط النقاط بين ثلاث أو أربع مقالات مختلفة. هذا هو عالم "الإجابة على الأسئلة متعددة القفزات" (Multi-hop Question Answering)، وهو تحدٍ خاص للذكاء الاصطناعي. في هذا الركن من علوم الحاسوب، يعمل الذاء الاصطناعي كالمحقق الذي يقرأ عبر جبال من النصوص للعثور على الإجابات. لكن المشكلة تكمكمن في أنه إذا أعطيت الذكاء الاصطناعي كومة الصحف بأكملها دفعة واحدة، فسيشعر بالارتباك. الأمر يشبه محاولة العثور على إبرة محددة في كومة قش بينما يصرخ شخص ما بألف حقيقة عشوائية أخرى في أذنك. يصاب الذكاء الاصطناعي بالارتباك، ويتباطأ، وقد يفقد الإجابة لأن "الضجيج" قد طغى على الأدلة المهمة. لهذا السبب يبحث الباحثون دائماً عن طرق لمساعدة الذكاء الاصطناعي على التركيز فقط على قطع الورق الصحيحة، والتخلص من الباقي دون فقدان القصة.
هنا يأتي دور IterCOMP، وهي طريقة جديدة اقترحها الباحثان "جونغمين يون" و"يونغبين كيم"، تعمل كمحرر ذكي وصبور لهذه المحققين من الذكاء الاصطناعي. فبدلاً من مجرد قص الكلمات بشكل أعمى لجعل النص أقصر، يستخدم IterCOMP استراتيجية ذكية وخطوة بخطوة لمعرفة ما يحتاجه الذكاء الاصطناعي بالضبط لحل اللغز. فكر في الأمر كأنه لعبة "العشرين سؤالاً" التي يلعبها الذكاء الاصطناعي مع نفسه. ينظر النظام أولاً إلى الأدلة التي لديه ويسأل: "هل لدينا ما يكفي لحل هذا الآن؟". إذا كانت الإجابة "لا"، فإن الذكاء الاصطناعي لا يخمن فحسب؛ بل يسأل نفسه: "ما هي المعلومة المحددة المفقودة؟". ثم يقوم بإنشاء سؤال جديد ومستهدف للبحث عن ذلك الدليل المفقود، ويجد الجملة ذات الصلة، ويضيفها إلى ملاحظاته. إنه يكرر هذه الحلقة — التحقق، التساؤل، والجمع — حتى يبني قصة مثالية وموجزة تحتوي على كل ما هو مطلوب لحل الغموض.
تشير الورقة البحثية إلى أن هذا النهج يمثل تحسناً كبيراً مقارنة بالطرق الموجودة. فبينما حاولت التقنيات القديمة ضغط النصوص عبر مجرد إزالة الكلمات أو الجمل "غير المهمة" بناءً على نظرة واحدة للسؤال، يرى IterCOMP أن هذا يفشل في الألغاز المعقدة متعددة الخطوات. وجد الباحثون أنه من خلال السماح للذكاء الاصطناعي بالتفكير في الفجوات في معرفته، تمكنوا من إنشاء "مطالبة" (prompt) أقصر بكثير (وهي مجموعة التعليمات والأدلة المقدمة للذكاء الاصطناعي) والتي حققت أداءً أفضل في الواقع. وفي اختباراتهم على ثلاث مجموعات بيانات للألغاز (MusiQue، و2WikiMultiHopQA، وHotpotQA)، لم يوفر IterCOMP المساحة فحسب، بل جعل الذكاء الاصطناعي أكثر ذكاءً. فعلى سبيل المثال، في مجموعة بيانات HotpotQA، رفع الأسلوب درجة دقة الذكاء الاصطناعي (F1) من 43.63 إلى 51.78، مع تقليص كمية النص التي كان على الذكاء الاصطناعي قراءتها بنحو 81% (نسبة ضغط قدرها 0.19). وهذا يعني أن الذكاء الاصطناعي يمكنه حل المشكلات الأصعب بشكل أسرع وأقل تكلفة، دون الحاجة إلى إعادة تدريبه أو تعليمه حِيلاً جديدة.
إن جمال IterCOMP يكمن في أنه لا يتطلب من الذكاء الاصطناعي تعلم أي شيء جديد. فهو يعمل مع القدرات الذهنية الحالية للذكاء الاصطناعي، مستخدماً حلقة "خالية من التدريب" لتوجيه عملية البحث. وقد أظهر الباحثون أنه كلما زادت صعوبة الألغاز (التي تتطلب المزيد من "القفزات" أو خطوات التفكير)، فإن النظام يتكيف بشكل طبيعي، حيث يطرح المزيد من الأسئلة المتابعة ويجمع المزيد من الأدلة حتى يشعر بالثقة. ومع ذلك، فقد أشاروا أيضاً إلى أن هذا ليس عصا سحرية؛ فإذا أخطأ الذكاء الاصطناعي في تقدير ما يعرفه، فقد يتوقف مبكراً جداً أو يجمع الأدلة الخاطئة. ولكن بشكل عام، تشير الدراسة إلى أنه من خلال تحويل ضغط المطالبات إلى عملية تفكير نشطة، يمكننا مساعدة الذكاء الاصطناعي على التنقل عبر ضجيج الإنترنت والعثود إلى الحقيقة، حتى عندما تكون الإجابة مخفية في أعماق متاهة من الوثائق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.