chATLAS: A Retrieval-Augmented Conversational Assistant for the ATLAS Experiment
تقدم الورقة البحثية chATLAS، وهو مساعد توليد معزز بالاسترجاع (RAG) مُنشر لتجربة ATLAS في CERN، والذي يستفيد من الاسترجاع الهجين، والضبط الدقيق المتخصص في المجال، والاستراتيجيات السياقية لتوفير وصول حواري دقيق ومُسند إلى المصادر لأكثر من 30,000 وثيقة داخلية، مما يحسن بشكل كبير من استرجاع المعرفة للمتعاونين العلميين.
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
تعد تجارب فيزياء الطاقات العالية من بين أكثر المساعي البشرية تعقيداً على الإطلاق، حيث تضم آلاف العلماء من مئات المؤسسات الذين يعملون معاً لفهم اللبنات الأساسية للكون. ولإدارة هذا النطاق، تولد هذه التعاونات كميات هائلة من المعلومات: كتيبات تقنية، وملاحظات اجتماعات، وأدلة برمجية، وسجلات بحثية تتراكم على مدى عقود. هذه المعرفة ضرورية لاستمرار العمل، ومع ذلك، غالباً ما تكون مشتتة عبر عشرات الأنظمة الرقمية المختلفة، ومكتوبة بأساليب غير متسقة، ويصعب البحث فيها. بالنسبة لعالم جديد ينضم إلى الفريق، قد يبدو العثور على إجابة محددة وكأنه بحث عن إبرة واحدة في كومة قش يتغير شكلها باستمرار. التحدي لا يكمن في نقص المعلومات، بل في غياب وسيلة لربط سؤال الشخص بالقطعة الصحيحة من ذلك السجل الضخم والمجزأ.
ولحل هذه المشكلة، قام باحثون من تجربة "أطلس" (ATLAS) في سيرن (CERN) ببناء مساعد رقمي جديد يسمى "chATLAS". يعمل هذا النظام كدليل حواري يمكنه القراءة من خلال أكثر من 30,000 وثيقة داخلية والإجابة على أسئلة حولها. وخلافاً لروبوتات الدردشة القياسية التي تعتمد على المعرفة العامة من الإنترنت العام، فقد تم تدريب "chATLAs" خصيصاً على الوثائق التقنية الخاصة المستخدمة من قبل تعاون "أطلس". وهو يعمل من خلال العثور أولاً على الصفحات الأكثر صلة من مكتبته الداخلية ثم استخدام تلك الصفحات لبناء إجابة دقيقة. النظام لا يخمن فحسب؛ بل يشير إلى المصدر الدقيق لمعلوماته، مما يسمح للمستخدمين بالتحقق من الحقائق. يضمن هذا النهج أن يقدم المساعد إرشادات موثوقة ومحدثة تعكس الحالة الراهنة للتجربة، بدلاً من تقديم معلومات قديمة أو عامة.
واجه الباحثون عقبة كبيرة لأن الوثائق التي احتاجوا للبحث فيها لم تكن موحدة. فبعضها كان صفحات ويب حديثة، وبعضها الآخر مدونات "ويكي" قديمة، والعديد منها تقارير تقنية كثيفة مليئة بالمصطلحات المتخصصة. غالباً ما تفشل محركات البحث البسيطة هنا لأنها تبحث عن تطابقات حرفية للكلمات، مما يؤدي إلى تفويت حقيقة أن العالم قد يطرح سؤالاً باستخدام كلمات مختلفة عن تلك الموجودة في الوثيقة. وللتغلب على ذلك، طور الفريق طريقة لفهم المعنى الكامن وراء الكلمات. لقد علموا النظام أن عبارات مختلفة يمكن أن تصف المفهوم نفسه، حتى لو اختلف المفردات المحددة بين دليل برمجيات وتقرير فيزيائي. كما أنشأوا إطار عمل للاختبار باستخدام آلاف الأسئلة والأجوبة التدريبية لقياس مدى أداء النظام بدقة، لضمان أن كل تحسين يجرونه يساعد المستخدمين فعلياً في العثور على المعلومات الصحيحة بشكل أسرع.
كان أحد أهم الاكتشافات التي توصل إليها الفريق هو أن الطريقة التي قسموا بها الوثائق كانت أكثر أهمية مما توقعوا. فالوثائق الكبيرة غالباً ما تحتوي على مواضيع متعددة، وإذا قرأ النظام صفحة كاملة دفعة واحدة، فقد يصاب بالارتباك. بدلاً من ذلك، قام الباحثون بتقسيم الوثائق إلى قطع أصغر يمكن إدارتها. ومع ذلك، وجدوا أن هذه القطع الصغيرة تفقد أحياناً سياقها، مما يجعل من الصعب على النظام معرفة موضوع تلك القطعة. ولحل هذه المشكلة، أضافوا خطوة يقوم فيها النظام بإنشاء ملخص وصفي قصير لكل قطعة نصية قبل البحث عنها. عمل هذا الملخص بمثابة علامة (Label)، مما ساعد النظام على فهم المحتوى حتى لو لم يستخدم سؤال المستخدم نفس الكلمات بالضبط. وعندما دمجوا هذه التقنية مع تدريبهم المتخصص، أصبح النظام أفضل بشكل كبير في العثور على الوثائق الصحيحة، خاصة بالنسبة للمصادر الأكثر صعوبة وتقنية.
تم تصميم النظام النهائي ليكون مرناً وآمناً. فقبل أن يجيب على سؤال، يتحقق مما إذا كان الطلب مناسباً وذا صلة بالتجربة. إذا سأل مستخدم عن دور شخص ما، فإن النظام يوجهه إلى قاعدة البيانات الرسمية بدلاً من التخمين. وإذا كان الطلب غير واضح، فإنه يطلب توضيحاً. وبمجرد الموافقة على الطلب، يبحث النظام في مكتبته، ويرتب أفضل النتائج، وينشئ استجابة تتضمن روابط للوثائق الأصلية. اختبر الفريق أنواعاً مختلفة من النماذج الحاسوبية لمعرفة أي منها يمكنه توليد أفضل الإجابات، ووجدوا أن بعض النماذج مفتوحة المصدر تؤدي بشكل جيد تماماً مثل النماذج التجارية باهظة الثمن، بينما هي أسرع وأقل تكلفة في التشغيل. والنتيجة هي أداة تُستخدم بالفعل يومياً من قبل آلاف العلماء، مما يساعدهم على التنقل في المشهد المعقد لأبحاثهم الخاصة.
يوضح هذا المشروع أنه يمكن تكييف الذكاء الاصطناعي بنجاح للتعامل مع الاحتياجات المحددة وعالية المخاطر للتعاون العلمي الكبير. ومن خلال التركيز على جودة البحث وموثوقية المصادر، أنشأ الفريق نظاماً يحترم نزاهة السجل العلمي. ويظهر العمل أنه عندما تُبنى التكنولوجيا لتناسب سير العمل الفعلي للأشخاص الذين يستخدمونها، يمكنها تحويل مجموعة فوضوية من الوثائق إلى مورد واضح وسهل الوصول. بالنسبة لتعاون "أطلس"، يعني هذا أن المعرفة المكتسبة على مدى عقود لم تعد مخفية في ملفات مشتتة، بل أصبحت متاحة لأي شخص يحتاجها، مما يساعد على تسطيح منحنى التعلم للأعضاء الجدد وتوفير الوقت للمهام المعقدة التي تدفع عجلة الاكتشاف إلى الأمام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.