AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs
تقدم الورقة البحثية AutoSchema، وهو إطار عمل لا يتطلب تدريباً للربط المباشر للمخططات (schema grounding) يُمكّن وكلاء النماذج اللغوية من فحص نقاط نهاية الرسوم البيانية للمعرفة غير المتجانسة مباشرة وبناء استعلامات SPARQL دون الاعتماد على ملفات مخطط مُعدة مسبقاً، مما يُظهر دقة وكفاءة محسنتين مقارنة بالأساليب الحالية مثل TogoMCP في مجالات الطب الحيوي والكيمياء.
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 أن إنترنت العلوم عبارة عن مكتبة ضخمة وفوضوية، حيث كُتب كل كتاب بلغة مختلفة، ويستخدم نظام أرشفة فريداً خاصاً به، ولديه أمين مكتبة يتحدث لهجة لا يفهمها أحد غيره. هذا هو واقع "رسوم المعرفة البيانية" (Knowledge Graphs) في علوم الحياة. فبدلاً من وجود قاعدة بيانات واحدة عملاقة، يمتلك العلماء آلاف "الرسوم البيانية" المتخصصة (خرائط رقمية للحقائق) لأشياء مثل الجينات، والأمراض، والأدوية. كل رسم بياني منها هو كنز من المعلومات، لكنها جميعاً بُنيت بطرق مختلفة؛ فقد يسمي أحدها دواءً ما "الدواء أ"، بينما يسميه آخر "المركب س"، وقد يربطان هذا الدواء بالأمراض بطرق مختلفة تماماً.
للسؤال الحاسوب عن سؤال مثل "أي الأدوية تعالج هذا السرطان تحديداً؟"، عليك ترجمة لغتك الإنجليزية الطبيعية إلى كود صارم يمكن للحاسوب قراءته يسمى SPARQL. الأمر يشبه محاولة سؤال أمين مكتبة عن كتاب، ولكن عليك معرفة رقم "ديوي العشري" الدقيق، ورمز الرف المحدد، والتهجئة الدقيقة لاسم المؤلف في الفهرس. إذا أخطأت في تفصيل واحد صغير، فلن يعطيك الحاسوب أي نتيجة. لسنوات، كان الحل هو جعل إنسان (أو ذكاء اصطناعي ذكي) يكتب "دليلاً مرجعياً" ضخماً ومثالياً لكل مكتبة قبل أن نتمكن حتى من البدء في طرح الأسئلة. ولكن ماذا لو تغيرت أرفف المكتبة بين عشية وضحاها؟ أو ماذا لو كانت مكتبة جديدة تماماً لم يرها أحد من قبل؟ هذه هي المشكلة التي تعالجها هذه الورقة البحثية: كيف يمكن لوكيل حاسوبي أن يستنتج قواعد المكتبة بينما يقف بداخلها، دون الحاجة إلى دليل تعليمات مكتوب مسبقاً؟
تقدم الورقة إطار عمل جديداً يسمى AutoSchema، والذي يعمل مثل محقق ذكي وفضولي لهذه المكتبات العلمية. بدلاً من انتظار إنسان ليكتب "دليلاً مرجعياً" ثابتاً (والذي يسميه المؤلفون ملف MIE) قد يصبح قديماً، يتيح AutoSchema لوكيل الذكاء الاصطناعي الذهاب مباشرة إلى قاعدة البيانات "الحية" والاستكشاف حولها. عندما يكون لدى الوكيل سؤال، فإنه لا يخمن القواعد؛ بل يسأل قاعدة البيانات نفسها: "مهلاً، ما هي أسماء أرففك؟ كيف تتهجى هذا الجين؟ ما الذي يربط هذا الدواء بذلك المرض؟". إنه يجمع هذه الأدلة في الوقت الفعلي، تماماً عند طرح السؤال.
اختبر الباحثون هذا المحقق مقابل الطريقة القديمة (التي تعتمد على تلك الأدلة المرجعية المكتوبة مسبقاً) باستخدام مجموعة متنوعة من الأسئلة الطبية الحيوية الصعبة. ووجدوا أن AutoSchema كان بشكل عام أفضل في إيجاد الإجابات الصحيحة. وفي الاختبارات التي شملت الجينات والأمراض، أصاب الطريقة الجديدة الحقائق في كثير من الأحيان وارتكب أخطاءً أقل من الطريقة القديمة. كما استخدمت "نداءات أدوات" أقل (محاولات أقل لسؤال قاعدة البيانات) ولم تتعثر في حلقات مفرغة بنفس القدر. ويشير المؤلفون إلى أن هذا النهج مفيد بشكل خاص عند التعامل مع قواعد بيانات فوضوية، أو غير منتظمة، أو جديدة تماماً حيث لا يوجد دليل مرجعي بعد. ومع ذلك، فقد نبهوا إلى أنه على الرغم من أن النتائج واعدة، إلا أن ميزة "الجسر" (التي تساعد في ربط مكتبتين مختلفتين) لم تُستخدم كثيراً في اختباراتهم، وهناك حاجة لمزيد من التجارب للتأكد من أنها تعمل بشكل مثالي في كل سيناريو.
باختصار، تجادل هذه الورقة بأنه بدلاً من الاعتماد على خريطة ثابتة مكتوبة مسبقاً قد تكون خاطئة أو قديمة، يجب أن ندع وكلاء الذكاء الاصطناعي يستكشفون المنطقة مباشرة. ومن خلال ربط أسئلتهم بالحالة الفعلية والحالية لقاعدة البيانات، يمكنهم التنقل في المشهد المعقد والمتغير لبيانات علوم الحياة بدقة وكفاءة أكبر. إنه تحول من "حفظ الخريطة" إلى "تعلم التضاريس أثناء السير فيها".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.