حسم النزاع بين ذاكرة النموذج والوثائق المسترجعة يتطلب احتمالا مسبقا لا قاعدة جامدة

يقف أي نموذج لغوي مدعوم بالاسترجاع المعزز أمام معضلة بنيوية صامتة كلما واجه سؤالا يحمل تعارضًا بين ما استرجعته محركات البحث والوثائق من جهة، وما استقر في أوزانه وذاكرته الداخلية من جهة أخرى. هذا التناقض ينفجر حتمًا حين تكون النصوص المسترجعة غير مكتملة أو مضللة، بينما اعتادت الفرق الهندسية حسم الخلاف بقاعدة ثابتة تُحدد سلفًا عند التصميم: إما الانحياز الكامل للسياق المسترجع، أو تعزيز وزنه بمقدار المسافة التي يدفع بها النموذج، أو تفضيل ذاكرة النموذج الذاتية.

تكشف ورقة بحثية جديدة فحصنا تفاصيلها، نشرها الباحثان مينه فام فان وكونغ تران عبر منصة أرخايف، أن كل قاعدة تصميمية ثابتة من هذا النوع محكوم عليها بالوقوع في الخطأ الواثق داخل بيئات التشغيل الفعلية. استند الباحثان إلى نموذج رياضي لنظرية القرار، وأثبتا أن أداء أي قاعدة ثابتة يتغير خطيًا تبعا لنسبة السياقات الموثوقة، بينما يمثل أفضل أداء يمكن بلوغه منحنى محدبًا، ما يعني تفوق الحل الأمثل على أي قاعدة جامدة في جميع نقاط التشغيل التي تبتعد عن نقطتها المحددة سلفًا. كما بين البحث أن مقاييس التباعد المتماثل بين المصدرين، المعتمدة في تقنيات فك التشفير التكيفي، لا تقدم أي معلومة حقيقية ترجح أيهما يملك الحقيقة.

حسم التناقض المعرفي لا يتحقق باختيار طرف رابح بصورة مسبقة، بل يقتضي مدخلين مستقلين تغفلهما المنهجيات السابقة: تقييم الأدلة الخاصة بكل مصدر على حدة، وتحديد احتمال مسبق يوضح مدى دقة السياق المسترجع. لبناء هذين المدخلين، طور الباحثان نظاما يصيغ فيه النموذج معرفته الداخلية على هيئة ملاحظات، تتولى سياسة خوارزمية صغيرة نطق كل ملاحظة بمستوى ثقة معاير بدقة. يجيب قارئ النظام بصوتين متوازيين، أحدهما للسياق والآخر للذاكرة، ثم يتدخل محدد قرارات يختار الإقرار بالجواب أو الامتناع عنه استنادًا إلى تحول دقيق في الاحتمال المسبق.

أثبتت التجارب على معيار «غريس»، المصمم للتدخل في السياق البياني لاختبار معرفة النموذج وما يقوله السياق وما يطابق الحقيقة بشكل منفصل، أن جميع النماذج المرجعية عبر أربع عائلات تقنية رئيسية تنجح مع السياقات الصحيحة أو الخاطئة، لكنها تعجز تمامًا عن الجمع بينهما. ومع ضبط الاحتمال المسبق ليطابق النسبة الحقيقية للسياقات الصحيحة، تفوق النظام المقترح على أفضل النماذج المرجعية بفارق بلغ 26 نقطة عبر مختلف مستويات خلط البيانات. وحقق النظام نتيجة إجمالية بلغت 45.3 نقطة مع نموذج «كيوين 3.5»، و35.0 نقطة مع «ليمّا 3.1»، مقابل 29.4 و27.5 لأقوى الأنظمة المنافسة. كما تفوق في اختبارات «كلاش إيفال» على خوارزميات «سي كيه-بلَغ» بفارق 12 نقطة وعلى «تي سي آر» بفارق 26 نقطة، في حين تلاشت تلك المكاسب تلقائيًا عندما افتقر النموذج للمعرفة، تمامًا كما تنبأت النظرية الرياضية.

ينقل هذا الإنجاز أثرًا عمليًا مباشرًا إلى البيئات الهندسية في الخليج ومصر والمنطقة، حيث تعتمد المؤسسات المصرفية والجهات الحكومية ومنصات الاتصالات على أنظمة الاسترجاع المعزز لمعالجة اللوائح الداخلية والسجلات المجمعة. تتبع أغلب الفرق المحلية سياسة الأوامر الثابتة الصارمة التي تجبر النموذج على تبني محتوى الملفات المسترجعة بلا قيد، أو تركن إلى الأوزان الداخلية عند حدوث أي غموض مستندي. وفي ظل وجود سجلات رقمية قديمة أو نسخ ممسوحة غير مكتملة في الأرشيف المؤسسي، تؤدي هذه القواعد إلى تصدير قرارات مضللة أو إجابات واثقة تنقل نصوصًا منسوخة مغلوطة. التطوير الفعلي لخطوط المعالجة في مشاريع الذكاء الاصطناعي الإقليمية يتطلب التخلي عن الانحياز الآلي، والبدء في حساب موثوقية مصادر الاسترجاع إحصائيًا قبل إطلاق الإجابة في بيئة العمل.

إن الانتقال من منطق الفرض الصارم إلى منطق الاحتمال المسبق يعيد تعريف الأمان التشغيلي لأنظمة الذكاء الاصطناعي المؤسسية. فعندما تدرك الأنظمة حدود الثقة في كل وثيقة وتوازنها مع ذاكرة أوزانها، تنخفض مخاطر الإجابات الزائفة التي تكلف المؤسسات خسائر تدقيق باهظة، وتتحول خوارزميات الاسترجاع إلى أدوات قادرة على التمييز الواعي بين سياق موثوق وآخر معيب، بما يحمي قراراتك البرمجية من الانهيار أمام البيانات المتناقضة.