لسنوات، تم قياس تقدم الذكاء الاصطناعي على نطاق واسع: نماذج أكبر، ومجموعات بيانات أكبر، ونوافذ سياقية أطول. يعد كل اختراق جديد بأنه إذا قمنا ببساطة بتغذية الأنظمة بمزيد من البيانات، فسنحصل على رؤى أكثر وضوحًا.
ومع ذلك، على الأقل خارج التدريب، يواجه هذا الافتراض مشكلة. ومع استيعاب النماذج للمطالبات الأطول، فإنها غالبًا ما تصبح أقل موثوقية. لدى النموذج الكثير للاختيار من بينها، مما يزيد من احتمالية التركيز على الشيء الخطأ.
يطلق الباحثون على هذا السياق اسم “تعفن السياق”: عندما يعالج نظام الذكاء الاصطناعي المزيد من المعلومات، فإن التفاصيل غير ذات الصلة تشوش ذاكرته العاملة. وقد تكون النتيجة استجابات أقل دقة، وتكاليف أعلى، وتآكلاً تدريجياً للثقة.
أظهرت تجربة حديثة أجرتها شركة مايكروسوفت لإنشاء “سوق سحرية” يقودها الذكاء الاصطناعي كيف يمكن أن يفشل الذكاء الاصطناعي هنا. وأوضح إيسي كامار، المدير الإداري للمختبر، قائلاً: “إننا نرى أن النماذج الحالية أصبحت في الواقع مرهقة بسبب وجود الكثير من الخيارات.”
كيف يزحف تعفن السياق
توجد معظم بيانات المؤسسة في المستندات – ملفات PDF والتقارير والملفات الداخلية التي يتم تقطيعها إلى أجزاء من أجل الإنشاء المعزز للاسترجاع (RAG). عندما يطرح المستخدم سؤالاً، يقوم النظام باسترداد المقاطع التي تبدو متشابهة لغويًا ويرسلها إلى نموذج اللغة الكبير (LLM) كسياق.
المهم هو أن التشابه ليس مثل الملاءمة. يمكن أن يبدو الجزء مطابقًا ولكنه يفتقد التعريفات أو الاستثناءات الرئيسية. بدون سياق إضافي، قد يكون الجزء مجرد ضجيج.
وينتهي الأمر بالذكاء الاصطناعي بالتلاعب بكمية كبيرة من المعلومات، دون فهم الأجزاء المهمة حقًا والأجزاء التي تسبب المزيد من الضوضاء في النظام.
لا يتمثل الحل في حشر المزيد من النصوص، بل في العثور على نص أكثر صلة بسؤال العمل المطروح. وهذا يعني تزويد الذكاء الاصطناعي بطبقة معرفية تعكس الكيفية التي يعمل بها العالم فعليا، كشبكة من الكيانات والعلاقات، وليس كنقاط بيانات منفصلة.
التفكير في الاتصالات، وليس الوثائق
البشر لا يفكرون في الوثائق، بل في العلاقات. ويصور الرسم البياني المعرفي تلك الروابط بوضوح: الأشخاص والأماكن والمنتجات والروابط بينها.
عندما يتم تخزين البيانات والبحث عنها كرسم بياني، يتحول الاسترجاع من “أقرب تطابق تقريبي” إلى “أفضل إجابة مدعومة”. على سبيل المثال، قد يسأل المساعد القانوني عن بند في العقد.
يمكن أن يؤدي البحث عن كلمة رئيسية أو بحث متجه إلى إرجاع جملة واحدة تبدو ذات صلة، بينما يفهم النظام القائم على الرسم البياني أن الجملة تنتمي إلى تعريف أكبر ويسترد جميع الأقسام ذات الصلة. الجواب أكثر اكتمالا وسياقا، وهذا يتجنب مشكلة محاولة ربط المعلومات عبر أجزاء مختلفة.
والنتيجة النهائية هي أن النموذج يحتاج إلى عدد أقل بكثير من الرموز المميزة لإنشاء إجابة ذات صلة.
لماذا الرسوم البيانية بناء الثقة
الشفافية هي ميزة رئيسية أخرى للرسوم البيانية. تعد عمليات تضمين المتجهات، وهي العملية الرياضية التي يستخدمها الذكاء الاصطناعي لربط كلمات متشابهة، فعالة بالنسبة للآلات ولكنها غير قابلة للقراءة تمامًا من قبل البشر.
الرسم البياني على النقيض من ذلك من السهل رؤيته وفهمه. فهو يسجل سلسلة الحقائق الدقيقة التي استخدمها النظام للتوصل إلى نتيجة، إلى جانب المصادر والأذونات المعنية. ويمكن تصوره بطريقة منطقية للبشر.
إن إمكانية التتبع هذه لا تقدر بثمن في البيئات المنظمة. من الأسهل تبرير القرار عندما يكون بإمكانك إظهار المسار عبر البيانات وسبب اتخاذ القرار، بدلاً من مجرد الإشارة إلى مجموعة من الأرقام غير الشفافة. إن الإدارة المدمجة وقابلية الشرح تجعل مؤسسة الذكاء الاصطناعي القائمة على الرسم البياني جاهزة وجديرة بالثقة.
لا تنتظر GPT-6
يتساءل بعض القادة عن سبب قلقهم بشأن السياق في حين أن النماذج المستقبلية ستكون أكثر ذكاءً. صحيح أن نماذج اللغات الكبيرة تتحسن بسرعة. ولكن بغض النظر عن مدى قدراتهم، فلن يتم تدريبهم أبدًا على بيانات مؤسستك الخاصة.
يعمل النموذج الأساسي أيضًا مثل محرك البحث بقدرات تفكير غير عادية ولكن لا يوجد فهرس لمعلومات شركتك. يمكنه توليد إجابات، ولكن دون تغذيته بالسياق الصحيح، لا يمكنه معرفة أي أجزاء من معرفتك موثوقة أو محدثة أو الأكثر صلة بالسؤال.
حتى عندما يصل حاملو شهادات LLM إلى إصدارات مكونة من رقمين، فسيظلون بحاجة إلى طريقة منظمة وآمنة للوصول إلى ما هو فريد بالنسبة للشركة.
ولهذا السبب يتحول عنق الزجاجة أمام اعتماد الذكاء الاصطناعي من قوة الحوسبة إلى تنظيم البيانات. لم يعد السؤال الرئيسي هو “ما النموذج الذي يجب أن أستخدمه؟” إنه “ما مدى تنظيم معرفتي؟”
جعل الرسوم البيانية أسهل في الاستخدام
كانت قواعد بيانات الرسم البياني ذات يوم معروفة بصعوبة تعلمها. وكان هذا صحيحاً قبل عقد من الزمن، عندما كان على الفرق أن تخترع مخططاتها الخاصة من الصفر. هناك تغييران جعلا الوصول إليها أكثر سهولة.
أولاً، أصبحت لغة استعلام الرسم البياني (GQL) الآن أحد معايير ISO الدولية. إنها أول لغة بيانات جديدة يتم توحيدها منذ عقود SQL مضت. توفر لغة GQL للمهندسين لغة تعريفية مشتركة للعمل مع بيانات الرسم البياني، وهي لغة تكمل SQL بدلاً من التنافس معها.
يؤدي التوحيد القياسي إلى تحسين إمكانية التشغيل البيني، وتوثيق أكثر وضوحًا، ومجموعة مهارات محددة جيدًا لأغراض التوظيف.
ثانيًا، بفضل الذكاء الاصطناعي، تعمل منصات الرسم البياني الحديثة الآن على أتمتة العمل الذي كان يتطلب في السابق خبرة متخصصة. أصبحت الآن النمذجة المساعدة وقوالب المجال والبحث المختلط، التي تمزج بسلاسة بين استعلامات المتجهات والرسوم البيانية، مدعومة بالذكاء الاصطناعي ومتسارعة باستخدام الوكلاء.
إنها خطوة تغيير في جعل التكنولوجيا أسهل في الاستخدام والنشر. تقضي الفرق وقتًا أقل في صياغة هياكل البيانات يدويًا ووقتًا أطول في طرح أسئلة عمل حقيقية.
ميزة طبقة المعرفة
تدرك المنظمات الذكية أن أقوى نتائج الذكاء الاصطناعي تأتي من مزاوجة النماذج القوية بالمعرفة جيدة التنظيم والمتصلة والسياقية. النموذج هو المحرك المنطقي. الرسم البياني هو السقالات التي تحمل الحقائق الصحيحة في مكانها.
عندما يتم توجيه الاسترجاع بواسطة الاتصالات، فإنه ينتج سياقًا عالي الجودة ونتائج أفضل. يمكن أن يبذل طلاب ماجستير القانون جهدًا أقل في سد الثغرات، وبذل المزيد من الجهد في تقديم تفكير دقيق وقابل للتفسير. تتحسن الاستجابات، وينخفض زمن الاستجابة، وتنخفض التكاليف. والأهم من ذلك، أن المستخدمين يبدأون بالثقة في الإجابات.
نحن ننتقل من حقبة تحددها الحوسبة الأولية إلى عصر يحدده السياق المنظم. ستظل المطالبات الأطول والنماذج الأكبر ذات أهمية، لكن البنية والوضوح والترابط ستكون أكثر أهمية.
إذا كنت تريد أن يكون الذكاء الاصطناعي متسقًا وسريعًا وجديرًا بالثقة، فإن الطريق إلى الأمام ليس “أكبر”. إنها منظمة بشكل أفضل.
لقد أبرزنا أفضل منشئ مواقع الويب بالذكاء الاصطناعي.
تم إنتاج هذه المقالة كجزء من قناة Expert Insights التابعة لـ TechRadarPro حيث نعرض أفضل وألمع العقول في صناعة التكنولوجيا اليوم. الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالمساهمة، اكتشف المزيد هنا: https://www.techradar.com/news/submit-your-story-to-techradar-pro
التعليقات