Habr AI: قد تصبح الأنطولوجيات ذاكرة لنماذج LLM والروبوتات والمساعدين المؤسسيين

تُناقَش الأنطولوجيات بشكل متزايد ليس كصيغة لقاعدة المعرفة، بل كطبقة ذاكرة منفصلة لأنظمة الذكاء الاصطناعي. الفكرة بسيطة: إذا كان على النموذج أن يتذكر مستخدماً وحالة البيئة وسجل القرارات، فإن سياق النص البسيط وحده لم يعد كافياً.

لماذا RAG غير كافٍ

تعمل نماذج اللغات الكبيرة بثقة طالما تناسب المهمة نافذة السياق الحالية. لكن عندما تمتد التفاعلات لأسابيع أو أشهر، تظهر حالات فشل نمطية: يفقد النموذج التفاصيل، وينشئ الحقائق بناءً على إشارات غير مباشرة، ويعيد طرح الأسئلة المحلولة بالفعل، ويأخذ في الاعتبار بشكل أقل الخصائص الفردية للمستخدم. تخزين كل شيء كسجلات طويلة غير مريح، والرويات المستمرة عبر خط أنابيب الملخصات تلغي حتماً بعض الاتصالات المهمة. بالنسبة للوكيل الذي ينبغي عليه توجيه شخص أو عملية أو جهاز عبر الزمن، فهذا لم يعد هامشاً صغيراً من الخطأ—بل هو قيد معماري.

"أعطى RAG نماذج اللغة الوصول إلى البيانات. الأنطولوجيات يمكنها أن

تمنحها الذاكرة."

بدلاً من طبقة أخرى من ملخصات النصوص، يقترح المؤلف تخزين المعرفة كهيكل من الكيانات والأحداث والعلاقات والتغييرات الحالة. في هذا النهج، لا يتذكر النظام فقط كلمات من المحادثات السابقة، بل نموذج لما يحدث: من أمامه، ما الذي تم إنجازه، أي القرارات تم اتخاذها، ما القيود الحالية، وما الذي تغير منذ الجلسة الأخيرة. يحول هذا الذاكرة من وضع الأرشيف إلى وضع خريطة العمل—شيء يمكن للنموذج أن يرجع إليه عند كل إجراء جديد.

حيث يعمل

المثال الأوضح هو بوت تعليمي. إذا كان يتحدث مع طالب لأشهر، فإن تذكر أجزاء من المحادثة لم يعد كافياً. تحتاج إلى صورة تراكمية للتقدم: أي المواضيع تم إتقانها بالفعل، أين تتكرر الأخطاء، أي الشروحات نجحت وأيها لم تنجح. تنطبق نفس المنطق على دعم العملاء والمساعدين للشركات، حيث يصبح سجل التفاعل طويلاً جداً حتى للإنسان، فضلاً عن نموذج يبدأ من جديد تقريباً في كل مرة.

• ملف تعريف المستخدم وأهدافه
• المواضيع المتقنة والفجوات والأخطاء المستمرة
• الاتفاقيات والحالات والقرارات السابقة
• طرق الشرح أو الرد الناجحة
• الروابط بين الأشياء والقواعد والمخاطر والإجراءات

هذا أكثر وضوحاً في الروبوتات. لا يمكن للروبوت ببساطة أن "يخمن" إحصائياً أن البيض والمقلاة والموقد مرتبطة بسيناريو الطهي. هذا يكفي للعرض التوضيحي، لكن ليس للبيئة الحقيقية. يحتاج إلى نموذج عالم قابل للتعلم حيث يوصف كل جسم من خلال الوظيفة والخصائص والسيناريوهات الصحيحة والقيود. عندما يدخل روبوت مستودعاً أو مصنعاً أو شقة جديدة، تساعده هذه الذاكرة ليس فقط على التعرف على الأشياء، بل على فهم كيفية التفاعل معها.

لماذا هذا مهم للعمل

الفكرة مهمة بشكل خاص للشركات التي تريد استخدام الذكاء الاصطناعي في حلقة مغلقة. البنوك والشركات الصناعية وفرق الهندسة وأي منظمة تحتوي على بيانات حساسة لا تكون دائماً مستعدة لتسليم المعلومات للنماذج السحابية الخارجية. في الوقت نفسه، تكون نماذج اللغات المحلية غالباً أضعف من أفضل الخدمات. تعمل الطبقة الأنطولوجية هنا كمضخم: ينتقل جزء من "الذكاء" من أوزان النموذج إلى هيكل معرفة خارجي، وحتى النظام المضغوط المحلي يبدأ في الاستجابة بدقة أكبر واستقراراً مع الأخذ في الاعتبار السياق المتراكم.

هناك فائدة عملية ثانية—الوضوح. في مكدس LLM الكلاسيكي، غالباً ما يُختزل الشرح إلى نص جميل أو ارتباط مصدر. توفر الأنطولوجيا آليات أكثر قابلية للتحقق: يمكنك إظهار من خلال أي كيانات وعلاقات توصل النظام إلى استنتاجه. بالنسبة لسيناريوهات الشركات، هذا حرج مثل الدقة.

تبدأ هذه الطبقة تدريجياً بالعمل كنظام تشغيل للمعرفة: من خلالها يمكنك ربط المستندات والجداول والصور والأحداث وحتى بيانات المستشعرات في خريطة عالمية واحدة.

ما يعني هذا

الاستنتاج الرئيسي للمقالة بسيط: الخطوة التالية للذكاء الاصطناعي التطبيقي ليست فقط تحسين البحث عن المستندات، بل تغيير وحدة المعرفة. الانتقال من جزء النص إلى الحقيقة، ومن الأرشيف إلى نموذج العالم، ومن السياق إلى الذاكرة يجعل الوكلاء والمساعدين والروبوتات أكثر فائدة بشكل ملحوظ. بالنسبة للسوق، هذا يشير إلى أن الهياكل الهجينة مع LLM وطبقة أنطولوجية تبدو أقل فأقل كفكرة أكاديمية وأكثر فأكثر كاتجاه هندسي عملي.