בעידן שבו מודלי שפה גדולים (LLM) שולטים בשיחות וירטואליות, אתגר מרכזי נותר: כיצד לשלב ביעילות בין השגת ידע רלוונטי לבין יכולות ההיגיון שלהם? מאמר חדש שפורסם ב-arXiv מציג שיטת השגת ידע מודעת-היגיון שמעשירה את ה-LLM במידע המותאם למבנה הלוגי של השיחה, במקום להסתמך רק על דמיון סמנטי שטחי. השיטה מבטיחה תגובות מדויקות ומגוונות יותר, ומשנה את חוקי המשחק בפיתוח צ'טבוטים עסקיים.
השיטה פועלת בגישה גסה-עד-עדינה. בשלב הראשון, היא מזהה תת-אזור רלוונטי בבסיס הידע, שבו כל המשפטים קשורים לנושא ההקשרי של השיחה. בשלב השני, היא מדקקת את החיפוש בתוך האזור הזה כדי לחלץ ידע ספציפי לתהליך ההיגיון. לאורך שני השלבים, השיטה משתמשת בשיטת חיפוש בהשראת Monte Carlo Tree Search (MCTS), המנווטת בין משפטי ידע באמצעות מילות מפתח משותפות. כך, ה-LLM מקבל מידע מדויק יותר להיגיון שלו.
בניסויים על שני מערכי נתונים של דיאלוגים רב-תוריים, השיטה הוכיחה עליונות. היא מיישרת קו טוב יותר עם ההיגיון שבשיחות אנושיות, מגבירה את גיוון הידע הנשלף ומניבה תגובות אינפורמטיביות ויצירתיות יותר. לפי הדיווח, השיפור נובע מהתאמה לוגית עמוקה, ולא רק סמנטית פשוטה, מה שמקטין שגיאות ומשפר את איכות התשובות.
השיטה מצביעה על מגמה חשובה בפיתוח LLM: מעבר מחיפוש סמנטי פשוט להשגת ידע מודעת-היגיון. בהשוואה לשיטות קיימות, היא מפחיתה רעש ומגבירה רלוונטיות, במיוחד בשיחות מורכבות כמו תמיכת לקוחות או ייעוץ עסקי. בישראל, שבה חברות כמו Mobileye ו-Wiz משקיעות ב-AI, שיטה זו יכולה לשדרג צ'טבוטים מקומיים.
למנהלי עסקים, השלכות ברורות: אימוץ השגת ידע מבוססת MCTS יאפשר צ'טבוטים חכמים יותר, שמספקים תשובות מותאמות אישית ומבוססות היגיון. זה יחסוך זמן עובדים וישפר חוויית לקוח. כיצד תשלבו זאת במערכות ה-AI שלכם?