بناء وتقنيات الاستخراج المحسَّنة لمخطط المعرفة القائم على نماذج اللغة الكبيرة

خرائط أذكى للقرارات المعقدة

تعتمد القرارات الحديثة في المجالات الحساسة—مثل العمليات واسعة النطاق، إدارة البنية التحتية، أو الاستجابة للكوارث—على القدرة السريعة على استيعاب كميات هائلة من المعلومات المتفرقة. الأدلة التشغيلية، تدفقات الحساسات، التقارير، والمحاكاة جميعها تروي جزءاً من القصة، لكنها نادراً ما تكون منظمة بطريقة تسهل على البشر أو الحواسيب استخدامها. تعرض هذه الورقة طريقة لتحويل تلك المعلومات المجزأة إلى «خرائط معرفة» حية تعمل بالطاقة من نماذج اللغة الكبيرة، بحيث يمكن للمخططين والمحللين طرح أسئلة أفضل والحصول على إجابات أسرع وأكثر موثوقية.

من الحقائق المتناثرة إلى المعرفة المترابطة

يركز المؤلفون على مخططات المعرفة، وهي طريقة لتمثيل المعلومات على شكل شبكة من الحقائق المترابطة—من فعل ماذا، وبأي نظام، وتحت أي ظروف. في البيئات اليومية، تغذي هذه المخططات محركات البحث وأنظمة التوصية، لكن المجالات المتخصصة تطرح تحديات أصعب: البيانات حساسة، والمصطلحات مكثفة، والصيغ تتراوح بين تقارير نصّية حرة وسجلات الحساسات، والظروف تتغير بسرعة. الأدوات التقليدية التي تعتمد على قواعد مكتوبة يدوياً أو نماذج صغيرة تكافح لمواكبة ذلك، ونماذج اللغة العامة كثيراً ما تسيء تفسير المصطلحات التقنية أو تفوّت علاقات دقيقة مهمة للقرارات الواقعية.

تدريب نماذج اللغة الكبيرة على تخصص جديد

لمعالجة ذلك، تقوم الدراسة بضبط نموذج لغوي أساسي قوي على مجموعة بيانات مصممة بعناية وخاصة بالمجال. تستمد مجموعة البيانات محتواها من اتصالات القيادة، كتيبات المعدات، السيناريوهات المحاكاة، والأدبيات المتخصصة. قبل أن تصل أي من هذه المواد إلى النموذج، تُجرى عملية إزالة حساسية مكثفة: تُحوّل الإحداثيات الدقيقة إلى مواقع نسبية، وتتحول أسماء الوحدات إلى رموز عامة، ويُقنّع جزء من المنطق الحساس مع الحفاظ على الأنماط العامة. تُخزن البيانات بتنسيق منظم يصف الوضع العام، والمهام المحددة (مثل التخطيط، تصنيف التهديدات، أو الإجابة عن الأسئلة)، والروابط بينها. تتيح هذه البنية للنموذج تعلم ليس فقط الحقائق المعزولة، بل أيضاً كيف تشترك المهام المختلفة في السياق.

طبقات التكييف لمهام مختلفة

بدلاً من إعادة تدريب كل معلمة في نموذج اللغة—وهي عملية مكلفة ومحفوفة بالمخاطر—يستخدم المؤلفون تقنية تُسمى التكييف منخفض الرتبة، منظمة في عدة طبقات يركز كل منها على جانب مختلف من المشكلة. تلتقط طبقة واحدة المصطلحات والمفاهيم الأساسية، وتضمّن طبقة أخرى القواعد والقيود التشغيلية، وتتخصص طبقة ثالثة في التكيف مع مهام معينة، مثل التخطيط أو تقييم التهديد. مكوّن تحكّم منفصل، شبكة «التوجيه»، يفحص كل جزء من الإدخال ويقرر أي تركيبة من هذه الموائمات خفيفة الوزن يجب أن يستخدمها النموذج. يسمح هذا التصميم للنظام بالتبديل بكفاءة بين المهام مع الحفاظ على القدرة اللغوية العامة والخبرة الخاصة بالمجال.

بناء وفحص شبكة المعرفة

فوق النموذج المضبوظ، يصمم المؤلفون خط أنابيب هجين لبناء مخطط المعرفة نفسه. أولاً، تُنظف البيانات الخام وتُوحَّد بحيث تكون المصطلحات والصيغ متسقة. ثم تستخرج طرق قائمة على القواعد وقوالب معدّة من الخبراء الكيانات والأحداث الواضحة. يتدخل النموذج اللغوي المضبوط للتعامل مع العمل الأكثر تعقيداً: اختصار التقارير الفوضوية إلى مُلخّصات موجزة، تحديد الجهات الفاعلة والمعدات الرئيسية، واستنتاج علاقات مثل سلاسل السبب والتأثير أو التنسيق بين الوحدات. يُقيَّم كل حقيقة مستخرجة من عدة زوايا—مدى ملاءمتها للأنماط المعروفة، مدى ارتباطها بالحقائق الأخرى، وما إذا كانت تتماشى مع مسارات الاستدلال متعددة الخطوات عبر المخطط. تُضاف النتائج عالية الثقة فقط، وتُعلّم النتائج منخفضة الثقة للمراجعة.

تحسن مثبت في الدقة والموثوقية

يقيم الفريق نهجه على ثلاث مهام رئيسية تحاكي الاحتياجات الواقعية: الإجابة عن أسئلة معقدة حول القواعد والمعدات، اقتراح خطط عمل لحالات معينة، وتصنيف سيناريوهات التهديد حسب الجدية. عبر هذه المهام، يتفوق النموذج المعدّل باستمرار على الأنظمة العامة المعروفة، بما في ذلك النماذج المتقدمة ذات التدريب العامة الأوسع. يجيب على المزيد من الأسئلة بشكل صحيح، ينتج خططاً أكثر واقعية، ويصنّف التهديدات بدقة أكبر. الناتج هو مخطط معرفة كبير ومترابط بإحكام، حيث يجتاز أكثر من 90 بالمئة من الحقائق المخزنة فحوصات ثقة صارمة وتساعد المخططين على الوصول إلى قرارات سليمة بشكل أسرع.

لماذا هذا مهم للمستقبل

بالنسبة للقارئ العام، الرسالة الأساسية هي أن نماذج اللغة يمكن تحويلها من مجرد متحدثات بليغة إلى محللين متخصصين ودقيقين—إذا دُرِّبت على البيانات الصحيحة، وقُيّدت بقواعد واضحة، وفُحِصت بانتظام للجودة. تُظهر هذه الدراسة كيفية القيام بذلك في مجال حساس وسريع التغير مع حماية المعلومات الخاصة. الإطار لا ينظّم المعرفة المبعثرة في شبكة قابلة للاستخدام فحسب، بل يحافظ أيضاً على تحديثها وموثوقيتها، مقدماً نموذجاً لأنظمة دعم القرار المستقبلية في أي مجال تكون فيه الدقة في اتخاذ القرارات المركبة أمراً حاسماً.

الاستشهاد: Peng, L., Yang, P., Juexiang, Y. et al. The construction and refined extraction techniques of knowledge graph based on large language models. Sci Rep 16, 8104 (2026). https://doi.org/10.1038/s41598-026-38066-w

الكلمات المفتاحية: مخطط المعرفة, نموذج اللغة الكبير, دعم اتخاذ القرار, التكييف القطاعي, إزالة حساسية البيانات