בעידן שבו מודלי שפה גדולים (LLM) מנהלים מאגרי מידע עצומים, אתגר מרכזי ניצב בפני מערכות AI: מענה לשאלות בגרף ידע זמני (TKGQA). תהליך זה דורש היגיון רב-קפיצות על פני יחסי ישויות מוגבלים בזמן, אך בכל קפיצה, ה-LLM שולף תת-גרפים גדולים עם יחסים דומים זמנית ומורכבים סמנטית. מצב זה מגביר סיכון להחלטות לא אופטימליות והתפשטות שגיאות. חוקרים מציגים כעת את מסגרת ההיגיון הרב-קפיצות המשופר (MRE), שמחזקת היגיון קדימה ואחורה כדי לזהות מסלולי היגיון אופטימליים גלובליים.
מסגרת ה-MRE פותחת באופן הנדסת פרומפטים שמנחה את ה-LLM לייצר מסלולי היגיון מגוונים עבור השאלה הנתונה. לאחר מכן, בוחרים מסלולים תקפים לביצוע כוונון עדין מפוקח, שמשמש כאסטרטגיית התחלה קרה. לבסוף, מציגים את אופטימיזציית מדיניות יחסית קבוצתית בעץ (T-GRPO), גישה רקורסיבית מבוססת עץ של למידה באמצעות חקירה. בכל קפיצה, החקירה יוצרת תלות סיבתית חזקה על הקפיצה הקודמת, בעוד ההערכה מושפעת ממשוב חקירה רב-מסלולי מקפיצות הבאות.
תוצאות ניסוי בשני סטנדרטים של TKGQA מראות כי המודל מבוסס MRE עולה באופן עקבי על גישות מצב האמנות (SOTA) בטיפול בשאילתות רב-קפיצות מורכבות. ניתוח נוסף מדגיש שיפור בפרשנות וביציבות מול הערות זמניות רועשות. גישה זו פותרת בעיות מרכזיות בהיגיון רב-קפיצות, שבהן שגיאות מצטברות מהקפיצות המוקדמות.
בהקשר רחב יותר, TKGQA חיוני ליישומים עסקיים כמו ניתוח נתונים דינמיים בפיננסים, חדשות או שרשראות אספקה, שבהן יחסים משתנים בזמן. ה-MRE מציעה כלי חזק יותר ל-LLM להתמודד עם מורכבות זו, ומאפשרת החלטות מדויקות יותר ללא צורך בהכשרה מסיבית מראש. בהשוואה לגישות קודמות, היא מפחיתה התפשטות שגיאות באמצעות משוב דו-כיווני.
למנהלי עסקים ישראלים בתחום הטכנולוגיה, מסגרת זו מבשרת עתיד שבו מערכות AI יוכלו לענות על שאלות מורכבות על נתונים זמניים בצורה אמינה יותר. כדאי לעקוב אחר פיתוחים כאלה, שישפרו כלים אנליטיים פנימיים ויתרמו ליתרון תחרותי. מה תהיה ההשפעה על כלי ה-BI שלכם?