الاستدلال متعدد الخطوات

ما هو الاستدلال متعدد الخطوات؟

الاستدلال متعدد الخطوات هو عملية في الذكاء الاصطناعي، خاصة في مجال معالجة اللغة الطبيعية (NLP) والرسوم البيانية المعرفية، حيث يقوم النظام الذكي بعمل روابط منطقية بين عدة أجزاء من المعلومات للوصول إلى إجابة أو اتخاذ قرار. بدلاً من الاعتماد على مصدر واحد أو معلومة مباشرة، يتطلب الاستدلال متعدد الخطوات من الذكاء الاصطناعي التنقل عبر سلسلة من نقاط البيانات المترابطة، أو “خطوات”، لتجميع استجابة شاملة.

بعبارة أخرى، يحاكي الاستدلال متعدد الخطوات القدرة البشرية على دمج أجزاء مختلفة من المعرفة من سياقات متعددة لحل مشكلات معقدة أو الإجابة على أسئلة دقيقة. يتجاوز هذا النهج مجرد استرجاع الحقائق البسيطة، ويستلزم فهم العلاقات، واستنتاج الروابط، ودمج المعلومات المتنوعة الموزعة عبر مستندات أو قواعد بيانات أو رسوم بيانية معرفية.

المكونات الأساسية

• مصادر معلومات متعددة: تتطلب عملية الاستدلال بيانات من مستندات أو قواعد معرفية أو أنظمة متنوعة.
• روابط منطقية: إقامة علاقات بين أجزاء المعلومات المتفرقة.
• الاستنتاج والدمج: استخلاص الاستنتاجات من خلال تجميع نقاط البيانات المترابطة.
• خطوات استدلال متسلسلة (خطوات): تمثل كل خطوة مرحلة في سلسلة الاستدلال، تقرب النظام من الإجابة النهائية.

كيف يُستخدم الاستدلال متعدد الخطوات؟

يُستخدم الاستدلال متعدد الخطوات في العديد من تطبيقات الذكاء الاصطناعي لتعزيز عمق ودقة استرجاع المعلومات وعمليات اتخاذ القرار.

معالجة اللغة الطبيعية (NLP) وإجابة الأسئلة

في معالجة اللغة الطبيعية، يعد الاستدلال متعدد الخطوات أمرًا حاسمًا لأنظمة الإجابة المتقدمة على الأسئلة. يجب على هذه الأنظمة فهم ومعالجة استفسارات معقدة لا يمكن الإجابة عليها من خلال النظر إلى جملة أو فقرة واحدة فقط.

مثال:

السؤال:
“أي كاتب وُلد في فرنسا وفاز بجائزة نوبل للآداب عام 1957 وكتب ‘الغريب’؟”

للإجابة، يحتاج الذكاء الاصطناعي إلى:

1. تحديد الكتّاب المولودين في فرنسا.
2. معرفة من بينهم فاز بجائزة نوبل للآداب عام 1957.
3. التحقق من أي منهم كتب “الغريب”.

من خلال ربط هذه المعلومات من نقاط بيانات مختلفة، يستنتج الذكاء الاصطناعي أن الإجابة هي ألبير كامو.

الاستدلال في الرسوم البيانية المعرفية

تمثل الرسوم البيانية المعرفية الكيانات (العُقد) والعلاقات (الحواف) بشكل منظم. يسمح الاستدلال متعدد الخطوات لوكلاء الذكاء الاصطناعي بالتنقل في هذه الرسوم، وإجراء استنتاجات متسلسلة لاكتشاف علاقات جديدة أو استرجاع إجابات غير مذكورة صراحةً.

حالة استخدام: استكمال الرسم البياني المعرفي

يمكن لأنظمة الذكاء الاصطناعي التنبؤ بالروابط أو الحقائق المفقودة في الرسم البياني من خلال الاستدلال على الروابط الموجودة. على سبيل المثال، إذا تضمن الرسم البياني المعرفي:

• الشخص أ هو والد الشخص ب.
• الشخص ب هو والد الشخص ج.

يمكن للذكاء الاصطناعي أن يستنتج أن الشخص أ هو جد الشخص ج عبر الاستدلال متعدد الخطوات.

التعلم المعزز في بيئات غير مكتملة

في البيئات التي تفتقر للمعلومات الكاملة، مثل الرسوم البيانية المعرفية الجزئية، يستخدم الوكلاء الاستدلال متعدد الخطوات للتعامل مع الغموض. تمكّن خوارزميات التعلم المعزز الوكلاء من اتخاذ قرارات متسلسلة، مع تلقي مكافآت عند الاقتراب من الهدف.

مثال:

يبدأ وكيل الذكاء الاصطناعي من عقدة مفهوم في رسم بياني معرفي، ويختار الحواف (العلاقات) بشكل متسلسل للوصول إلى مفهوم الهدف. يحصل الوكيل على مكافآت عند النجاح في التنقل، حتى عندما لا يكون المسار المباشر متاحًا بسبب نقص البيانات.

أتمتة الذكاء الاصطناعي وروبوتات الدردشة

بالنسبة لروبوتات الدردشة المعززة بالذكاء الاصطناعي، يعزز الاستدلال متعدد الخطوات القدرات الحوارية من خلال تمكين الروبوت من تقديم ردود مفصلة وذات صلة بالسياق.

حالة استخدام: روبوت دعم العملاء

قد يحتاج روبوت يقدّم المساعدة الفنية للمستخدمين إلى:

1. تحديد نوع جهاز المستخدم من التفاعلات السابقة.
2. استرجاع المشاكل المعروفة المتعلقة بهذا الجهاز من قاعدة المعرفة.
3. تقديم خطوات الحل بناءً على المشكلة المحددة التي أبلغ عنها المستخدم.

عبر الاستدلال على عدة أجزاء من المعلومات، يوفر الروبوت إجابة دقيقة ومفيدة.

أمثلة وحالات استخدام

أنظمة الإجابة متعددة الخطوات على الأسئلة

المجال الصحي:

السؤال:
“ما الدواء الذي يمكن وصفه لمريض يعاني من حساسية البنسلين لكنه بحاجة إلى علاج عدوى بكتيرية؟”

خطوات الاستدلال:

1. تحديد الأدوية المستخدمة لعلاج العدوى البكتيرية.
2. استبعاد الأدوية التي تحتوي على البنسلين أو مركباته.
3. اقتراح مضادات حيوية بديلة آمنة لمرضى حساسية البنسلين.

يقوم نظام الذكاء الاصطناعي بتجميع المعرفة الطبية لتقديم خيارات علاجية آمنة.

الاستدلال في الرسوم البيانية المعرفية مع تشكيل المكافآت

في التعلم المعزز، يعد تشكيل المكافآت تعديل دالة المكافأة لتوجيه الوكيل بشكل أكثر فعالية، خاصة في البيئات ذات المكافآت النادرة أو المضللة.

حالة استخدام:

قد يحصل وكيل ذكاء اصطناعي مكلف بالعثور على علاقة بين كيانين في رسم بياني معرفي على مكافآت وسيطة مقابل كل خطوة صحيحة، ما يشجع على اكتشاف المسارات متعددة الخطوات حتى في الرسوم غير المكتملة.

الاستدلال متعدد الخطوات في روبوتات الدردشة

روبوت مساعد شخصي:

السيناريو:
يسأل المستخدم: “ذكرني بشراء مكونات الوصفة من برنامج الطبخ الذي شاهدته أمس.”

استدلال الذكاء الاصطناعي:

1. تحديد برنامج الطبخ الذي شاهده المستخدم بالأمس.
2. استرجاع الوصفة التي قُدّمت في البرنامج.
3. استخراج قائمة المكونات.
4. ضبط تذكير يتضمن القائمة.

يربط الروبوت بيانات التقويم والمحتوى الخارجي وتفضيلات المستخدم لتنفيذ الطلب.

معالجة الرسوم البيانية المعرفية غير المكتملة

غالبًا ما يعمل وكلاء الذكاء الاصطناعي على رسوم بيانية معرفية تفتقر لبعض الحقائق (بيئات غير مكتملة). يمكّن الاستدلال متعدد الخطوات الوكيل من استنتاج المعلومات المفقودة من خلال استكشاف المسارات غير المباشرة.

مثال:

إذا كانت العلاقة المباشرة بين مفهومين مفقودة، فقد يجد الوكيل مسارًا عبر مفاهيم وسيطة، ليملأ فجوات المعرفة بشكل فعّال.

صياغة التعلم المعزز

يمكن صياغة مهام الاستدلال متعدد الخطوات كمشاكل تعلم معزز حيث يتخذ الوكيل إجراءات في بيئة ما لتعظيم المكافآت التراكمية.

المكونات:

• الحالة: الموقع الحالي في الرسم البياني المعرفي أو السياق.
• الإجراء: الخطوات الممكنة إلى العقدة أو المعلومة التالية.
• المكافأة: إشارة التغذية الراجعة مقابل خطوات الاستدلال الناجحة.
• السياسة: الاستراتيجية التي توجه تصرفات الوكيل.

مثال:

يهدف وكيل للإجابة على استفسار من خلال اختيار العلاقات في رسم بياني معرفي بشكل متسلسل، ويحصل على مكافآت عن كل خطوة صحيحة تقرّبه من الإجابة.

الاستدلال متعدد الخطوات في معالجة اللغة الطبيعية

في معالجة اللغة الطبيعية، يعزز الاستدلال متعدد الخطوات فهم الآلة للنصوص من خلال تمكين النماذج من معالجة نصوص تتطلب الربط بين عدة أجزاء من المعلومات.

التطبيقات:

• اختبارات الفهم القرائي: تجيب النماذج على أسئلة تحتاج إلى معلومات من أجزاء مختلفة من المقطع.
• التلخيص: إنشاء ملخصات تعكس جوهر نصوص تغطي موضوعات أو حجج متعددة.
• حل المرجع الضميري: تحديد متى تشير تعبيرات مختلفة إلى نفس الكيان عبر الجمل.

الجمع بين النماذج اللغوية الكبيرة والرسوم البيانية المعرفية

يمكن دمج النماذج اللغوية الكبيرة (LLMs) مثل GPT-4 مع الرسوم البيانية المعرفية لتعزيز قدرات الاستدلال متعدد الخطوات.

الفوائد:

• تحسين الفهم السياقي: تعالج النماذج اللغوية النصوص غير المهيكلة، بينما توفر الرسوم البيانية بيانات منظمة.
• دقة أفضل في الإجابات: الجمع بينهما ينتج عنه ردود دقيقة وغنية بالسياق.
• القابلية للتوسع: تعالج النماذج كميات ضخمة من البيانات، وهو أمر أساسي للاستدلال متعدد الخطوات المعقد.

حالة استخدام:

في البحوث الطبية الحيوية، يجيب نظام ذكاء اصطناعي على استفسارات معقدة من خلال الدمج بين فهم اللغة للنماذج الكبيرة والبيانات الطبية المنظمة في الرسوم البيانية.

حالات استخدام في أتمتة الذكاء الاصطناعي

دعم العملاء المدعوم بالذكاء الاصطناعي

يتيح الاستدلال متعدد الخطوات لوكلاء الذكاء الاصطناعي التعامل مع استفسارات العملاء المعقدة من خلال:

• الوصول إلى سجل العميل.
• فهم السياسات والإرشادات.
• تقديم حلول مخصصة تأخذ عدة عوامل في الاعتبار.

تحسين سلسلة التوريد

تحلل أنظمة الذكاء الاصطناعي بيانات المبيعات ومستويات المخزون وقيود الخدمات اللوجستية لـ:

• توقع تقلبات الطلب.
• تحديد الاضطرابات المحتملة في سلسلة التوريد.
• التوصية بتعديلات على استراتيجيات الشراء والتوزيع.

كشف الاحتيال

من خلال الاستدلال على تواريخ المعاملات وسلوك المستخدم والعلاقات الشبكية، تكتشف أنظمة الذكاء الاصطناعي أنشطة احتيالية قد تغفل عنها التحليلات أحادية العامل.

تعزيز تفاعلات روبوتات الدردشة

يسمح الاستدلال متعدد الخطوات لروبوتات الدردشة بإجراء محادثات أكثر طبيعية وعمقًا.

القدرات:

• الوعي بالسياق: تذكر التفاعلات السابقة لتحسين الردود الحالية.
• معالجة الاستفسارات المعقدة: التعامل مع الأسئلة متعددة الأبعاد التي تتطلب تجميع معلومات.
• التخصيص: تخصيص الردود بناءً على تفضيلات وسجل المستخدم.

مثال:

يأخذ روبوت دردشة يقدم توصيات سفر في الاعتبار رحلات المستخدم السابقة، والموقع الحالي، والفعاليات القادمة لاقتراح وجهات مناسبة.

أبحاث عن الاستدلال متعدد الخطوات

1. تحسين استدلال النماذج اللغوية الكبيرة باستخدام وكيل مدقق لأشجار الأفكار متعددة الوكلاء
   تستكشف هذه الورقة البحثية تعزيز قدرات الاستدلال في النماذج اللغوية الكبيرة من خلال نهج متعدد الوكلاء يمنح أدوارًا متخصصة في حل المشكلات. وتقدم نظام “شجرة الأفكار” (ToT) مع وكيل مدقق للأفكار لفحص مسارات الاستدلال. يعزز هذا الأسلوب الاستدلال من خلال استبعاد المسارات الخاطئة، مما يسمح باستراتيجية تصويت أكثر قوة. تفوق النهج على استراتيجيات ToT القياسية بمتوسط 5.6% على مجموعة بيانات GSM8K. اقرأ المزيد
2. الاستدلال المقيد بالرسوم البيانية: استدلال موثوق على الرسوم البيانية المعرفية مع النماذج اللغوية الكبيرة
   تتناول هذه الدراسة تحديات الاستدلال في النماذج اللغوية الكبيرة مثل الهلوسة، من خلال دمج الرسوم البيانية المعرفية. وتقدم أسلوب الاستدلال المقيد بالرسوم البيانية (GCR) الذي يدمج هيكل الرسم البياني في النماذج اللغوية باستخدام فهرس KG-Trie. يقيّد هذا الأسلوب عملية التوليد في النموذج لضمان الاستدلال الموثوق، ويقضي على الهلوسات. حقق GCR أداءً رائدًا على مقاييس KGQA وأظهر قدرة تعميم قوية دون تدريب مسبق. اقرأ المزيد
3. التحفيز بالاختبار الفرضي يحسن الاستدلال الاستنتاجي في النماذج اللغوية الكبيرة
   تناقش الورقة تحسين الاستدلال الاستنتاجي من خلال دمج تقنيات التحفيز المختلفة مع النماذج اللغوية الكبيرة. وتقدم أسلوب التحفيز باختبار الفرضيات، والذي يدمج افتراضات النتائج، والاستدلال العكسي، والتحقق من الحقائق. يعالج هذا النهج مشكلات مثل المسارات غير الصحيحة أو الخيالية، ويحسن موثوقية مهام الاستدلال. اقرأ المزيد