LivingRAG: Augmenting Graph RAG with Experience
يُعد LivingRAG إطار عمل للبحث المعزز بالتوليد القائم على الرسوم البيانية (Graph RAG) يعمل على تعزيز الإجابة على الأسئلة متعددة الخطوات من خلال تخزين وإعادة استخدام تجارب الاستدلال التي تم التحقق منها — مثل إشارات الرسم البياني المفيدة وأنماط الاستدلال — لتحسين الدقة وتقليل استهلاك الرموز (tokens) عبر الاستعلامات ذات الصلة.
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
في عالم الذكاء الاصطناعي، تعمل النماذج اللغوية الكبيرة مثل مكتبات هائلة من المعرفة البشرية، القادرة على الإجابة عن أسئلة معقدة وكتابة القصص. ومع ذلك، تمتلك هذه العقول الرقمية نقطة ضعف كبيرة: فهي غالباً ما تنسى الحقائق التي لم تتدرب عليها، أو تخترع تفاصيل تبدو صحيحة ولكنها في الواقع كاذبة. ولإصلاح ذلك، طور الباحثون طريقة تسمى "التوليد المعزز بالاسترجاع". تخيل طالباً يؤدي اختباراً ويُسمح له بفتح كتاب مدرسي؛ فبدلاً من الاعتماد كلياً على الذاكرة، يبحث الطالب عن الإجابة في الكتاب قبل كتابتها، وهذا يحافظ على الإجابات مرتكزة في أرض الواقع. وتستخدم نسخة أكثر تقدماً من هذا النهج "رسم بياني للمعرفة"، والذي ينظم المعلومات مثل الخريطة، حيث يربط الأشخاص والأماكن والأحداث بخطوط توضح كيفية ارتباطهم ببعضهم البعض. يساعد هذا النظام على إيجاد أدلة تبعد عدة خطوات عن السؤال الأصلي، بدلاً من مجرد البحث عن التطابق الأكثر وضوحاً.
وعلى الرغم من هذه التطورات، فإن معظم الأنظمة الحالية تتعامل مع كل سؤال جديد كما لو كان المرة الأولى التي يرى فيها النظام هذا السؤال. فحتى لو حل النظام للتو لغزاً صعباً حول شخصية تاريخية معينة، فإنه في اللحظة التي يصل فيها السؤال التالي، يتخلص النظام من المنطق الذي استخدمه للتو. إنه يبدأ من الصفر، متجاهلاً حقيقة أنه قد استنتج مساراً مشابهاً بالفعل. هذا أمر غير فعال، يشبه مسافراً يتوقف عند كل بلدة جديدة ليسأل عن الاتجاهات إلى مكان زاره بالأمس، بدلاً من تذكر الطريق الذي سلكه للتو. وقد اقترح فريق من الباحثين في جامعة بهيانغ في الصين حلاً لهذه المشكلة؛ حيث أنشأوا نظاماً يسمى "LivingRAG"، والذي يسمح للذكاء الاصطناعي بالاحتفاظ بـ "دفتر ملاحظات" لمنطقه الناجح الخاص. ومن خلال تدوين ما نجح وإعادة استخدام تلك الملاحظات للأسئلة المستقبلية، يصبح النظام أكثر ذكاءً بمرور الوقت، ويجيب على الأسئلة بدقة أكبر مع استخدام موارد حوسبة أقل.
الفكرة الجوهرية وراء "LivingRAG" هي منح النظام ذاكرة قابلة للكتابة يمكنه تحديثها أثناء عمله. فعندما يجيب النظام على سؤال ما، فإنه لا ينتج إجابة نهائية ويمضي قدماً فحسب، بل يتوقف ليتأكد مما إذا كان المسار الذي اتخذه للوصول إلى تلك الإجابة كان سليماً. إنه يتحقق مما إذا كانت الحقائق التي استخدمها مدعومة بالفعل من قبل الوثائق التي استرجعها. وإذا كان المنطق سليماً ولم يكن السؤال مجرد تكرار لشيء حله بالفعل، يقوم النظام بحفظ ملخص موجز لتلك التجربة. يتضمن هذا الملخص خريطة توضح أي قطع المعلومات كانت الأكثر أهمية ومخططاً موجزاً لكيفية بناء الإجابة. هذه العملية تحول التفاعل لمرة واحدة إلى مكتبة متنامية من المعرفة المتحقق منها.
اختبر الباحثون هذا النهج عبر تغذية النظام بسيل من الأسئلة، بشكل مشابه لكيفية تفاعل مستخدم حقيقي مع روبوت دردشة على مدار عدة أيام. ووجدوا أن الأسئلة ذات الصلة تظهر غالً في مجموعات؛ فأحياناً يسأل المستخدم عن شخص معين، ثم يسأل لاحقاً عن شخص آخر عاش في نفس البلدة أو الفترة الزمنية نفسها. وفي أحيان أخرى، تتبع الأسئلة نفس النمط المنطقي، مثل مقارنة حدثين مختلفين، حتى لو اختلفت التفاصيل. وفي تجاربهم، وجد النظام أنه يمكنه إعادة استخدام هذه الأنماط بشكل متكرر. فعلى سبيل المثال، في مجموعة بيانات تتضمن أسئلة متعددة الخطوات ومعقدة، تمكن النظام من إعادة استخدام مسار الاستدلال من سؤال سابق في جميع الاستعلامات اللاحقة ذات الصلة تقريباً. وهذا يعني أن النظام لم يكن مضطراً لإعادة اكتشاف الروابط بين الحقائق في كل مرة.
أظهرت النت la أن هذه الطريقة في التعلم من الخبرة جعلت النظام أفضل بكثير في الإجابة على الأسئلة. فعند مقارنته بأنظمة قوية أخرى لا تحفظ منطقها، حقق "LivingRAG" دقة أعلى في العديد من المعايير القياسية. وفي اختبار تضمن أسئلة حول شخصيات وأحداث تاريخية، حسن النظام معدل إجاباته الصحيحة من حوالي 84 بالمائة إلى 87 بالمائة. وفي اختبار آخر ركز على أسئلة دعم العملاء، كان التحسن أكثر وضوحاً، حيث قفز من 66 بالمائة إلى أكثر من 70 بالمائة. لم تكن هذه المكاسب تتعلق فقط بالحصول على الإجابة الصحيحة، بل جاءت أيضاً مع فائدة جانبية وهي الكفاءة؛ فبما أن النظام يمكنه إعادة استخدام "الهيكل" أو البنية لإجابة سابقة، فإنه لم يحتاج إلى توليد الكثير من النصوص الجديدة لشرح منطقه. وقد قلل هذا من كمية البيانات التي يتعين على النظام معالجتها، مما أدى بدوره إلى خفض التكلفة التقديرية لتشغيل النظام.
ولضمان عدم تعلم النظام من أخطائه، وضع الباحثون ضوابط جودة صارمة قبل حفظ أي تجربة. فلا يكتب النظام مدخلاً جديداً في ذاكرته إلا إذا كانت الإجابة مدعومة بالأدلة التي وجدها في الوثائق. فإذا خمن النظام الإجابة الصحيحة ولكن الوثائق لم تدعمها فعلياً، يتم استبعاد التجربة. هذا يمنع النظام من تعزيز الأخطاء أو تخزين معلومات مكررة لا تضيف قيمة جديدة. ووجدت الدراسة أن النظام كان انتقائياً، حيث خزن حوالي 27 بالمائة فقط من التجارب المرشحة التي نظر فيها. وضمنت هذه الانتقائية أن تظل الذاكرة مجموعة من الرؤى عالية الجودة والمتحقق منها، بدلاً من أن تكون سجلاً فوضوياً لكل محاولة.
لاحظ الباحثون أيضاً كيف يتغير أداء النظام بمرور الوقت. ففي بداية الجلسة، عندما كانت الذاكرة فارغة، كان أداء النظام مشابهاً للنماذج القياسية. ومع ذلك، مع إجابته على المزيد من الأسئلة وملء ذاكرته بالتجارب المتحقق منها، بدأ في استخدام نجاحاته الماضية لتوجيه عمليات بحثه المستقبلية. تعلم النظام البحث في الأماكن الصحيحة بشكل أسرع وهيكلة إجاباته بكفاءة أكبر. وهذا يشير إلى أن قيمة النظام تنمو مع استخدامه، مما يجعله مناسباً بشكل خاص للبيئات التي يطرح فيها المستخدمون سيلاً مستمراً من الأسئلة ذات الصلة. لم تدّع الدراسة أن هذه الطريقة تحل كل المشكلات أو أنها تعمل بشكل مثالي في كل موقف، لكنها أثبتت أن منح النظام القدرة على التعلم من منطقه المتحقق منه هو وسيلة عملية وفعالة لتحسين أدائه.
تمتد آثار هذا العمل إلى ما هو أبعد من مجرد الحصول على إجابات أفضل؛ فمن خلال تقليل كمية النص التي يحتاج النظام إلى توليدها، تقلل هذه الطة أيضاً من الطاقة وقدرة الحوسبة المطلوبة لتشغيل هذه النماذج. وهذا اعتبار بالغ الأهمية مع دمج الذكاء الاصطناعي في الحياة اليومية. وأشار الباحثون إلى أنه بينما يعمل نظامهم بشكل جيد على مجموعات محكومة من الأسئلة، فإن الاستخدام في العالم الحقيقي قد يفرض تحديات، مثل تغير الحقائق بمرور الوقت أو تصبح الأسئلة أكثر تشتتاً وأقل قابلية للتنبؤ. واقترحوا أن النسخ المستقبلية من مثل هذه الأنظمة قد تحتاج إلى تضمين طرق لتحديث أو إزالة الذكريات القديمة عند توفر معلومات جديدة. ومع ذلك، توفر الدراسة حالياً دليلاً واضحاً على أنه يمكن جعل الذكاء الاصطناعي أكثر قدرة وكفاءة ببساطة من خلال السماح له بتذكر ما تعلمه بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.