SABET-QA: Temporal Knowledge Graph Question Answering

إن عالم المعلومات ليس مكتبة ساكنة تقبع فيها الحقائق دون تغيير على الرفوف؛ بل هو سجل حي يتنفس، حيث للأحداث بداية ومنتصف ونهاية. عندما نطلب من الحاسوب الإجابة على سؤال مثل "من كان الرئيس في عام 2008؟" أو "من خلف أوباما؟"، فنحن لا نبحث فقط عن اسم، بل نطلب من الآلة أن تفهم الزمن نفسه. يكمن هذا التحدي في قلب مجال يسمى "الإجابة على الأسئلة في الرسوم البيانية المعرفية الزمنية". في هذا المجال، تخزن الحواسيب الحقائق كروابط بين الأشياء، ولكن مع إضافة حاسمة: طابع زمني يخبر النظام متى كانت هذه العلاقة صحيحة. وبينما كانت البرامج الحاسوبية السابقة قادرة على التعامل مع أسئلة بسيطة عن الماضي، إلا أنها كانت تتعثر غالباً عند مواجهة سلاسل معقدة من الاستدلال التي تتطلب منها تتبع كيفية تغير العلاقات عبر سنوات أو عقود. لقد كانت تميل إلى تقديم تخمين واحد والمضي قدماً، غير قادرة على تصحيح مسارها إذا أدى تخمينها الأول إلى طريق خاطئ.

لقد طور باحثون في "كويك سورت ريسيرش" (QuickSort Research) و"إي إن إس باريس ساكلي" (ENS Paris-Saclay) نهجاً جديداً لحل هذه المشكلة، يسمى "سابيت-كيو إيه" (SABET-QA). فبدلاً من إجبار الحاسوب على إيجاد الإجابة في حركة واحدة سريعة، يعمل هذا النظام الجديد مثل محقق دقيق يعود لمراجعة ملاحظاته عدة مرات. لقد بنى الفريق إطار عمل يسمح للحاسوب بصقل تفكيره خطوة بخطوة. تخيل شخصاً يحاول حل لغز؛ قد يضع تخميناً أولياً، ثم يفحص الأدلة، ويدرك أنه أغفل تفصيلاً ما، ثم يعدل نظريته قبل المحاولة مرة أخرى. يفعل "سابيت-كيو إيه" ذلك تماماً، ولكن بدقة رياضية. فهو يقسم السؤال الصعب إلى خطوات أصغر، أو "قفزات"، وفي كل خطوة، يقوم بتحديث ذاكرة رقمية لما تعلمه حتى الآن. تسمح هذه الذاكرة للنظام بحمل أفضل أفكاره من خطوة إلى أخرى، مما يؤدي تدريجياً إلى شحذ تركيزه حتى تظهر الإجابة الصحيحة.

يكمن الابتكار الرئيسي في هذا النظام في كيفية تعامله مع اتجاه العلاقات. في جملة مثل "من كان الرئيس بعد أوباما؟"، يجب على الحاسوب أن يفهم أن أوباما هو نقطة البداية وأن الإجابة هي الشخص الذي جاء بعده. كانت الأنظمة القديمة غالباً ما ترتبك بشأن من هو الفاعل ومن هو المفعول به، مما يؤدي إلى الأخطاء. أما الطريقة الجديدة فتقوم بتقييم كل احتمال في كلا الاتجاهين في آن واحد، وتتحقق مما إذا كانت العلاقة قائمة سواء نظر الحاسوب للأمام أو للخلف. كما تولي اهتماماً وثيقاً للكلمات المحددة في السؤال، لضمان فهم كلمة مثل "واشنطن" كشخص أو كمكان بناءً على السياق، بدلاً من معاملتها كعلامة ثابتة. ومن خلال الجمع بين هذا الاهتمام الدقيق باللغة وذاكرة تتطور عبر خطوات متعددة، يمكن للنظام التنقل عبر الجداول الزمنية المعقدة التي كانت تُربك البرامج الأخرى سابقاً.

اختبر الباحثون ابتكارهم على أربع مجموعات مختلفة من الأسئلة، تتراوح من الألغاز الاصطناعية المصممة لاختبار المنطق إلى الاستفسارات الواقعية التي جُمعت من الإنترنت. وفي كل حالة، تفوق النظام الجديد على أقوى الأساليب الموجودة. كان التحسن أكثر دراماتيكية في الأسئلة الأكثر صعوبة، تلك التي تتطلب من الحاسوب ربط عدة حقائق معاً عبر الزمن. فعلى سبيل المثال، في مجموعة محددة من الأسئلة المعقدة، حدد النظام الجديد الإجابة الصحيحة كخيار أول بنسبة تقارب 81 بالمائة من المرات، وهي قفزة كبيرة عن نسبة 66 بالمائة التي حققتها أفضل طريقة سابقة. وعندما زود الباحثون النظام بلمحات إضافية حول حدود الزمن، ارتفعت الدقة بشكل أكبر، لتصل إلى أكثر من 95 بالمائة في بعض الاختبارات. تشير هذه النتائج إلى أن القدرة على التكرار وصقل الفرضية أقوى بكثير من محاولة الوصول إلى الإجابة الصحيحة من المحاولة الأولى.

كشفت الدراسة أيضاً عن تفاصيل مثيرة للاهتمام حول كيفية تعلم النظام. وجد الباحثون أن الحاسوب لم يكن بحاجة إلى إعادة التدريب من الصفر لكل سؤال جديد؛ بل كان بإمكانه الاعتماد على خريطة حقائق موجودة مسبقاً والتعلم ببساطة كيف يتنقل فيها بشكل أفضل. ومع ذلك، اكتشفوا أن محاولة تغيير الخريطة الأساسية أثناء حل الأسئلة غالباً ما تؤدي إلى نتائج أسوأ، حيث تسبب الارتباك بدلاً من الوضوح. كان النظام يعمل بشكل أفضل عندما أبقى معرفته الجوهرية ثابتة وركز طاقته على عملية الاستدلال. علاوة على ذلك، لاحظ الفريق أن النظام يعدل تلقائياً عدد الخطوات التي يتخذها لحل المشكلة. فبالنسبة للأسئلة البسيطة، يجد الإجابة بسرعة، أما بالنسبة للألغاز المعقدة التي تتضمن فترات زمنية متعددة، فإنه يستخدم خطوات أكثر، مما يعني بذل المزيد من "الجهد الذهني" حيثما دعت الحاجة.

يُظهر هذا العمل أن الطريق نحو ذكاء اصطناعي أفضل في فهم الزمن لا يتطلب بالضرورة بناء نماذج أكبر وأكثر تعقيداً من الصفر. بدلاً من ذلك، يكمن الأمر في منح الأنظمة الحالية القدرة على التوقف، والتأمل، وتصحيح مسارها. ومن خلال محاكاة النزعة البشرية لمراجعة فهمنا مع جمع المزيد من الأدلة، أثبت "سابيت-كيو إيه" أن الآلات يمكنها الاستدلال حول الماضي بمستوى من الدقة كان بعيد المنال سابقاً. تقدم هذه النتائج اتجاهاً واعداً للأدوات المستقبلية التي تحتاج إلى فهم عالم تتغير فيه الحقائق باستمرار، مما يثبت أن أذكى شيء يمكن للحاسوب فعله ليس التسرع في الوصول إلى إجابة، بل استغلال الوقت للوصول إلى الإجابة الصحيحة.