← أحدث الأبحاث
💻 علوم الحاسوب

Dynamic Knowledge Grounding for Retrieval-Augmented Generation: Uncertainty-Aware Evidence Fusion with Adaptive Retrieval Control

يُعد FORGE إطار عمل مبدئي يعزز التوليد المعزز بالاسترجاع من خلال دمج متحكم استرجاع تكيفي مدفوع بعدم اليقين، وشبكة دمج أدلة موزونة بالموثوقية، ووحدة تحقق من التجذر على مستوى الرمز (token)، مما يقلل بشكل كبير من الهلوسة والتكاليف الحسابية مع تحقيق أداء رائد في مختلف المعايير المرجعية.

المؤلفون الأصليون: Babasaheb Satpute, Chaya Jadhav, Rajesh Bharati, Deepak Kshirsagar

نُشر 2026-11-10
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Babasaheb Satpute, Chaya Jadhav, Rajesh Bharati, Deepak Kshirsagar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 المشهد الواسع للذكاء الاصطناعي، برزت النماذج اللغوية الكبيرة كمحركات قوية للنصوص، قادرة على كتابة القصص، وحل المشكلات، والإجابة على الأسئلة بطلاقة تحاكي التفكير البشري في كثير من الأحيان. تعمل هذه الأنظمة من خلال الاعتماد على مكتبة داخلية ضخمة من الحقائق والأنماط التي امتصتها أثناء التدريب. ومع ذلك، فإن هذه المكتبة الداخلية تشوبها ثغرة كبيرة: فهي ثابتة ويمكن أن تصبح قديمة، والأخطر من ذلك، يمكن للنموذج أن يخترع بثقة حقائق لم تحدث قط، وهي ظاهرة تُعرف باسم "الهلوسة". ولإصلاح ذلك، طور الباحثون طريقة تسمى "التوليد المعزز بالاسترجاع". يعمل هذا النهج بمثابة أمين مكتبة للذكاء الاصطناعي، مما يسمح له بالتوقف عن الكتابة والبحث عن الإجابات في قاعدة بيانات خارجية من المستندات قبل التحدث. وبينما يساعد هذا، فإن الأنظمة الحالية غالبًا ما تتصرف بخرق، حيث تجلب المعلومات لكل سؤال بغض النظر عما إذا كانت مطلوبة أم لا، ثم تدمج تلك المعلومات بطريقة بسيطة وغير مدركة يمكن أن تؤدي إلى الأخطاء.

قدم فريق من الباحثين الآن إطار عمل جديدًا يسمى FORGE، صُمم لجعل هذه العملية أكثر ذكاءً وكفاءة وموثوقية. فبدلاً من معاملة كل سؤال بالطريقة نفسها، يعمل FORGE بمثابة محرر دقيق يقرر بالضبط متى يبحث عن المعلومات، وكيف يزن موثوقية المصادر المختلفة، وكيف يتحقق من أن الإجابة النهائية مدعومة بالفعل بما وجده. يتكون النظام من ثلاثة أجزاء متميزة تعمل معًا بسلاسة. أولاً، يتعلم النظام التعرف على متى يكون غير متأكد من إجابة ما، وعندها فقط يلجأ إلى معرفته الخارجية، مما يوفر الوقت ويتجنب ضجيج البيانات غير ذات الصلة. ثانياً، عندما يجمع المعلومات، فإنه لا يقوم بمجرد صب النص في الإجابة؛ بل يحلل بعناقة جودة كل مستند، ويتحقق مما إذا كانت المصادر المختلفة تتفق مع بعضها البعض ويعطي أهمية أكبر للفقرات الأكثر موثوقية. وأخيرًا، بينما يقوم النظام بتوليد استجابته، فإنه يتحقق باستمرار من كل كلمة يكتبها لضمان أنها مدعومة بالأدلة التي وجدها، رافضاً تقديم ادعاءات تفتقر إلى الدعم.

اختبر الباحثون هذا النهج الجديد عبر ثمانية معايير اختبارية تحديّة مختلفة، تتراوح من التحقق البسيط من الحقائق إلى الأسئلة المعقدة التي تتطلب ربط الأفكار من مستندات متعددة. وأظهرت النتائج أن FORGE تفوق بشكل كبير على الأساليب الحالية؛ فقد حسن دقة الإجابات بما يتراوح بين 2.1 و4.8 نقطة مقارنة بأفضل الأنظمة السابقة، بينما خفض معدل الهلوسة بنسبة تقارب 39 بالمائة. وربما الأهم من ذلك، أصبح النظام أكثر كفاءة؛ فمن خلال تعلم تخطي خطوة البحث للأسئلة التي يعرفها جيداً، قلل عدد المرات التي احتاج فيها للبحث عن المعلومات بأكثر من 42 بالمائة. وهذا يعني أن النظام ليس أكثر صدقاً فحسب، بل هو أيضاً أسرع وأقل تكلفة من الناحية الحسابية.

يعتمد نجاح FORGE على تحول في كيفية تفاعل الذكاء الاصطناي مع قاعدة معرفته. فبدلاً من استرجاع المعلومات بشكل أعمى لكل استعلام، يستخدم النظام سياسة متعلمة لتقدير مدى عدم اليقين لديه. فإذا شعر النموذج بالثقة، فإنه يجيب من الذاكرة؛ وإذا استشعر فجوة في معرفته، فإنه يطلق عملية بحث. وعندما يبحث، فإنه يستخدم شبكة دمج متطورة تعامل المستندات المختلفة بشكل متفاوت، حيث تخصص وزناً أعلى للمصادر الموثوقة والمتسقة مع بعضها البعض، مما يمنع النظام من أن يُضلل بواسطة مستند واحد غير موثوق. علاوة على ذلك، تعمل وحدة تحقق في الخلفية، حيث تخصص درجة ثقة لكل كلمة يتم توليدها. وإذا لم يجد النظام دليلاً يدعم ادعاءً معيناً، فإنه يمكنه اختيار الامتناع عن ذكره بدلاً من اختراع حقيقة. هذا المستوى الدقيق من التحكم يسمح للنظام بالحفاظ على معيار عالٍ من الصدق دون التضحية بانسيابية اللغة الطبيعية.

في تحليلهم، أظهر الباحثون أن هذه التحسينات ليست مجرد حوادث سعيدة، بل هي قائمة على مبادئ رياضية صارمة تضمن سلوك النظام بشكل أمثل بمرور الوقت. فقد أثبتوا أن طريقة اتخاذ القرار بشأن متى يتم استرجاع المعلومات تتقارب نحو الاستراتيجية المثلى، مما يقلل الجهد الضائع. كما أثبتوا أن طريقة دمج المعلومات مثالية نظرياً للحفاظ على التفاصيل الأكثر فائدة مع التخلص من الباقي. والأهم من ذلك، أثبتوا أن عملية التحقق توفر مقياساً موثوقاً للثقة، مما يضمن أن ادعاءات النظام مرتبطة باستمرار بأدلة حقيقية. وتؤكد الدراسة أنه من خلال دمج هذه القدرات الثلاث — البحث التكيفي، والدمج الذكي، والتحقق الصارم — في إطار عمل واحد، من الممكن بناء ذكاء اصطناعي ليس فقط أكثر معرفة، بل أيضاً أكثر صدقاً وكفاءة. يشير هذا العمل إلى مسار واضح للمضي قدماً في إنشاء أدوات ذكاء اصطناعي يمكن للمستخدمين الوثوق بها في المعلومات عالية الخطورة، من المشورة الطبية إلى الأبحاث القانونية، حيث تعد الدقة والقدرة على الاستشهاد بالمصادر أمراً ضرورياً.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →