Yapay zeka sistemlerinin soru yanıtlama kabiliyetini artırmak için kullanılan bilgi grafları artık kendilerini otomatik olarak optimize edebiliyor. Bilim insanları tarafından geliştirilen AutoGraph-R1 adlı yeni sistem, bu alanda önemli bir dönüm noktası oluşturuyor.
Geleneksel bilgi grafı oluşturma yöntemleri, grafiğin nasıl kullanılacağını göz önünde bulundurmadan yapılandırılıyor ve bu durum optimal olmayan sonuçlara yol açıyor. AutoGraph-R1 bu problemi çözmek için pekiştirmeli öğrenme tekniklerini devreye sokuyor.
Sistem, büyük dil modellerini eğiterek bilgi grafı oluşturmayı bir politika öğrenme süreci haline getiriyor. Bu yaklaşımda, sistem aldığı ödülleri grafiğin Retrieval-Augmented Generation (RAG) pipeline'ındaki işlevsel başarısına göre belirliyor.
Araştırmacılar, sistemin etkinliğini artırmak için iki farklı ödül fonksiyonu tasarladı: biri grafikleri bilgi taşıyıcıları olarak, diğeri ise bilgi endeksleri olarak değerlendiriyor. Bu çift yaklaşım, sistemin hem bilgi depolama hem de bilgiye erişim açısından optimize olmasını sağlıyor.
Çeşitli soru-cevap test ortamlarında yapılan deneyler, AutoGraph-R1'in mevcut yöntemlere kıyasla kayda değer performans artışları sağladığını gösteriyor. Bu gelişme, yapay zeka sistemlerinin kendi öğrenme süreçlerini optimize etmesi açısından önemli bir adım olarak değerlendiriliyor.