CoRE تعلّم الذكاء الاصطناعي اختيار قواعد البحث في قواعد المعرفة بنفسه دون وسم يدوي

ظل البحث في قواعد المعرفة المهيكلة لسنوات عالقًا عند مشكلة واحدة: كي يعثر النموذج على الحقائق المطلوبة داخل الرسم البياني، يجب أن يُبيَّن له أي القواعد يسلك. يقترح فريق مؤلفي الورقة البحثية arXiv 2610.14465 منهج CoRE (Co-Adaptive Rule Routing and Constraining Retrieval)، الذي يعلّم النظام القيام بذلك بنفسه. يدرّب المنهج في وقت واحد اختيار القاعدة للاستعلام والبحث عن الأدلة ضمن حدود هذه القاعدة، ودون أزواج «استعلام — قاعدة» موسومة مسبقًا. واختُبر المنهج على ثلاثة مجالات من معيار STaRK-QA: الاكتشافات العلمية، والاستدلال الطبي الحيوي، وإدارة معرفة التجارة الإلكترونية.

لماذا أصبح وسم القواعد عنق الزجاجة

تنقسم المقاربات الحالية إلى معسكرين. الأول يبحث دون قيود: يتجول المسترجع بحرية في قاعدة المعرفة ويرتّب كل ما يصادفه، فتصل إلى النتائج كيانات قريبة شكليًا لكنها غير مناسبة من حيث المعنى. أما الثاني فيعتمد على القواعد، لكنه يتطلب وسمًا محددًا مسبقًا يبيّن أي قاعدة تناسب أي استعلام. ففي البحث العلمي تكون هذه قواعد مثل «مؤلف — ورقة بحثية»، وفي الطب الدقيق مثل «تشريح — دواء».

المشكلة أن هذا الوسم نادرًا ما يكون موجودًا. إذ يجب جمعه يدويًا بجهود خبراء في المجال المحدد، ومع كل مجال جديد تبدأ العملية من الصفر. ويُسقط CoRE هذا الشرط: تبقى القواعد في النظام كمجموعة قيود، أما ربط الاستعلامات بالقواعد فيتولاه النموذج بنفسه.

مكوّنان يتعلم كلٌّ منهما من الآخر

تتألف البنية من جزأين يعتمد كلٌّ منهما على الآخر اعتمادًا وثيقًا.

• موجّه القواعد (router). يتلقى الاستعلام ويختار القاعدة. يُدرَّب بالتعلم المعزز (reinforcement learning).
• المسترجع المقيَّد. يتجول في قاعدة المعرفة وفق القاعدة المختارة، ويرتّب فقط ما يستوفي شروطها. يُدرَّب تبايُنيًا (contrastive learning).

هنا تظهر معضلة «البيضة والدجاجة»: يحتاج الموجّه إلى معرفة مدى جودة أداء المسترجع وفق القاعدة، ويحتاج المسترجع إلى قواعد صحيحة كي يتعلم منها. يحل CoRE ذلك بالتناوب بين مراحل التدريب. فالقواعد التي يختارها الموجّه تعمل كإشارة تدريب للمسترجع، وتصبح جودة الأدلة التي يعثر عليها بدورها مكافأةً للموجّه. والنتيجة حلقة مغلقة يتكيّف فيها المكوّنان أحدهما مع الآخر دون إشراف صريح على مستوى أزواج «استعلام — قاعدة».

ماذا أظهرت التجارب

اختبر المؤلفون المنهج على مجموعات بيانات STaRK-QA التي تغطي ثلاثة مجالات:

• الاكتشافات العلمية (البحث في كيانات أكاديمية مثل المؤلفين والأوراق البحثية)؛
• الاستدلال الطبي الحيوي (الروابط بين التشريح والأمراض والأدوية)؛
• إدارة المعرفة في التجارة الإلكترونية (استعلامات المنتجات).

تؤكد تجارب الاستئصال (ablation) أن التكيّف المشترك للموجّه والمسترجع هو ما يحقق المكسب: فإذا كُسرت الحلقة انخفضت الجودة. وهناك استنتاجان آخران يتعلقان بالتطبيق العملي. الأول أن التوجيه القائم على التوليد (generation-based routing) ينتقل بين مجموعات البيانات. والثاني أن أفضل أداء يتحقق بمخطط يبدأ بتدريب مسبق متعدد المجالات، ثم يتبعه تدريب إضافي على مجموعة البيانات المستهدفة.

وينبّه المؤلفون بشكل منفصل إلى أثر جانبي: فتحليل القواعد المطبَّقة على الاستعلامات ومدى تكرارها يوحي بطرق لتحسين القواعد الحالية تلقائيًا واكتشاف قواعد جديدة. وهكذا تتحول مجموعة القواعد من بنية ثابتة إلى عنصر يمكن تحسينه تكراريًا اعتمادًا على البيانات.

أين يمكن أن يفيد هذا

بالنسبة إلى الفرق التي تبني أنظمة RAG والأنظمة الوكيلة فوق الرسوم البيانية للمعرفة، يستحق CoRE الاهتمام لثلاثة أسباب. أولًا، يخفض كلفة الدخول إلى مجال جديد: يكفي أن يصف الخبير مجموعة القواعد، دون أن يوسم الاستعلامات لكل قاعدة منها. ثانيًا، يضيّق تقييد البحث بالقاعدة فضاء المرشحين ويجعل النتائج أكثر قابلية للتفسير: يمكن معرفة أي قاعدة سلكها النظام ولماذا. ثالثًا، يناسب مخطط التدريب المسبق متعدد المجالات يليه الضبط الإضافي سيناريوهات المؤسسات التي تضم عدة قواعد معرفة ذات بنى مختلفة.

والقيود واضحة أيضًا: لا يزال المنهج يتطلب مجموعة قواعد محددة مسبقًا، كما أن التدريب المتناوب مع RL عادةً أكثر تقلبًا من خط معالجة supervised المعتاد. ومع ذلك فالاتجاه واضح: بدلًا من وسم مكلف للروابط بين الاستعلامات والقواعد، يُدرَّب النظام على اكتشاف هذه الروابط بنفسه عبر جودة نتيجة البحث النهائية.