عنوان جديد: "إعادة تعريف مجموعات RAG كوحدات ذاكرة زمنية لتحسين دقة المعلومات والتحليلات"

في عالم الذكاء الاصطناعي، تُعتبر المخططات المعرفية (RAG) أداة أساسية في أنظمة استرجاع المعلومات المدعومة بالإنجاز (Retrieval-Augmented Generation)، حيث تُمثل الحقائق كوحدات ثابتة لا تتغير. ومع ذلك، في الواقع، المعلومات ليست ثابتة بل تتغير باستمرار مع ظهور بيانات جديدة أو أحداث، مما يجعل من الضروري تضمين عامل الزمن في هذه المخططات لضمان دقتها وملاءمتها. لذلك، تم تطوير المخططات المعرفية الزمنية (Temporal Knowledge Graphs - TKGs)، التي تضيف أبعادًا زمنية مثل التوقيت أو الفترات الزمنية التي تكون فيها الحقائق صحيحة. هذا يسمح بالاستعلامات الدقيقة مثل "من كان المدير التنفيذي لشركة ما في تاريخ معين؟" أو تحليل تطور العلاقات والعناصر عبر الزمن، مما يضمن أن الأنظمة تعتمد على بيانات حديثة ومتعلقة بالسياق. من خلال هذه المخططات، يتم تمثيل الحقائق كوحدات زمنية مُحددة، مثل "الرقم القياسي للإيرادات" أو "تغيير في منصب المدير التنفيذي"، مع إضافة معلومات زمنية مثل "تم التحقق في" و"انتهى صلاحيته في". هذه العناصر تُخزن في مخطط معرفي، وتُعتبر وحدات ذاكرة صغيرة تُحافظ على المحتوى وعلاقته الزمنية. في هذا النموذج، يتم معالجة كل "Chunk" (وحدة بيانات) إلى ثلاثيات زمنية (subject-predicate-object)، تُستخدم لتعزيز فهم النظام للبيانات الديناميكية. هذا يختلف عن أنظمة الذاكرة التقليدية التي تشمل عناصر مثل التجارب أو العمليات، حيث يركز هذا النهج على الحقائق الزمنية فقط، مما يشكل أساسًا خفيفًا وقابلًا للتكيف مع الظروف الحقيقية مثل تحليل الموارد المالية أو تتبع تفضيلات العملاء. كجزء من هذا النظام، تم تصميم واجهات تفاعلية تُستخدم في معالجة البيانات وتحديد التعارضات وتحديثها. على سبيل المثال، عند معالجة بيانات عن الإيرادات في الربع الأول والثاني من عام 2024، يتم تعيين توقيت صلاحية كل ثلاثية، وعند وجود تعارض (كأن يُغير المدير التنفيذي)، يتم إلغاء التسجيل القديم وتحديد توقيت انتهاء صلاحيته. الهدف من هذه المخططات هو تحسين القدرة على اتخاذ القرارات عبر دعم التفكير المعتمد على الأنماط التاريخية والتنبؤات المستقبلية، مما يُعزز الأداء في بيئة ديناميكية. هذا النهج يُعتبر تطورًا في أنظمة الذكاء الاصطناعي، حيث يجمع بين ميزات الذاكرة ونظام RAG، مما يُتيح للنظام متابعة تغيرات المعلومات بسلاسة وفعالية. يُعد هذا نموذجًا مفيدًا لتطبيقات مثل تحليل البيانات المالية أو تتبع تفضيلات المستخدمين، حيث يتطلب الاعتماد على معلومات حديثة ودقيقة. الخبير الرئيسي في هذا المجال هو "كيم فانج"، وهو مُحترف في مجال الذكاء الاصطناعي ويعمل في شركة Kore.ai. يهتم بدراسة كيفية دمج الذكاء الاصطناعي مع اللغة، ويدعم تطوير أنظمة وتطبيقات مُستندة إلى الوكلاء، مما يسهم في تحسين كفاءة ودقة الأنظمة الذكية في مواجهة التحديات الواقعية.