KG-RAG: جسر الفجوة بين المعرفة والإبداع

ضمان الدقة الواقعية مع الحفاظ على القدرات الإبداعية لوكلاء نماذج اللغة الكبيرة (LMAs) يمثل تحديات كبيرة في تطوير أنظمة الوكلاء الذكية. يواجه LMAs مشكلات شائعة مثل الهلوسة المعلوماتية، النسيان الكارثي، والقيود في معالجة السياقات الطويلة عند التعامل مع المهام التي تعتمد بشكل كبير على المعرفة. تقدم هذه الورقة إطار عمل جديد يدعى خط أنابيب KG-RAG (توليد معزز باسترجاع مخطط المعرفة)، وهو إطار مصمم لتعزيز قدرات المعرفة لوكلاء النموذج الكبير من خلال دمج مخططات المعرفة المنظمة (KGs) مع وظائف نماذج اللغة الكبيرة، مما يقلل بشكل كبير الاعتماد على المعرفة الكامنة في نماذج اللغة. يقوم خط أنابيب KG-RAG ببناء مخطط معرفة من النص غير المهيكل ومن ثم ينفذ استرجاع المعلومات عبر المخطط المُنشأ لأداء إجابة الأسئلة باستخدام مخطط المعرفة (KGQA). تعتمد منهجية الاسترجاع على خوارزمية جديدة تسمى سلسلة الاستكشافات (CoE) التي تستفيد من التفكير في نماذج اللغة الكبيرة لاستكشاف العقد والعلاقات داخل مخطط المعرفة بشكل متسلسل. أظهرت التجارب الأولية على مجموعة بيانات ComplexWebQuestions تحسناً ملحوظاً في تقليل المحتوى الهلوسي وتقترح مساراً واعداً نحو تطوير أنظمة ذكية متمكنة من التعامل مع المهام التي تعتمد بشكل كبير على المعرفة.