בעולם שבו גרפי ידע הופכים למרכזיים יותר בבינה מלאכותית, חוקרים חושפים את גאמה – מודל יסוד מבני שמבטיח חשיבה כללית על גרפים חדשים לחלוטין עם ישויות ויחסים בלתי נראים. בניגוד לגישות קיימות כמו Ultra, שמסתמכות על טרנספורמציה יחסית אחת בלבד, גאמה מציגה תשומת לב גיאומטרית רב-ראשית שמאפשרת מודלינג מגוון של מבנים יחסיים. המודל מחליף את הטרנספורמציה היחידה במספר מקבילות, כולל טרנספורמציות מבוססות מספרים אמיתיים, מרוכבים, מפוצלים-מרוכבים וכפולים, כל אחת מותאמת למבנים יחסיים שונים. מנגנון מיזוג תשומת לב מותנה-יחסית מאחד אותן ברמת הקישור באמצעות שער קל משקל עם רגולריזציה של אנטרופיה, ומאפשר למודל להדגיש באופן אדפטיבי את הטרנספורמציה המתאימה ביותר לכל דפוס משולש.
גאמה בונה על רעיון חדשני של פונקציות מסר אלגבריות מגוונות. המחקר מספק פורמליזציה מלאה של הפונקציות הללו ומסביר כיצד שילובן מגביר את כוח הביטוי מעבר לכל מרחב בודד. לדוגמה, מספרים מרוכבים מתאימים למבנים סיבוביים, בעוד מספרים כפולים מתמודדים עם מבנים כפולים. מנגנון המיזוג מבטיח שהמודל יוכל לבחור את הייצוג הגיאומטרי האופטימלי לכל אינטראקציה ספציפית בגרף הידע, מה שמגביר את הגמישות והדיוק בחיזוי קישורים אינדוקטיביים zero-shot.
בניסויים מקיפים על 56 גרפי ידע מגוונים, גאמה עלתה על Ultra בביצועים עקביים בחיזוי קישורים אינדוקטיבי zero-shot. המודל השיג שיפור של 5.5% בדירוג הדדפולי הממוצע (MRR) במבחני האינדוקטיביים, ושיפור של 4.4% בכלל המבחנים. תוצאות אלה מדגישות את היתרונות של ייצוגים גיאומטריים משלימים, שמאפשרים למודל להתמודד טוב יותר עם גיוון המבנים בגרפים שונים.
המשמעות של גאמה עולה בקנה אחד עם המגמה הגוברת של מודלי יסוד מבניים בתחום הבינה המלאכותית. בעוד שגישות מסורתיות מוגבלות על ידי טרנספורמציות פשוטות כמו כפל אלמנט-אלמנט, גאמה מרחיבה את היכולות על ידי שילוב מרחבים אלגבריים שונים. זה רלוונטי במיוחד לעסקים ישראליים בתחום ההייטק, שמשקיעים בגרפי ידע ליישומים כמו המלצות מותאמות, ניתוח נתונים מבניים ואוטומציה של תהליכים עסקיים.
למנהלי עסקים ומפתחי AI, גאמה מצביעה על עתיד שבו מודלים יוכלו להכליל טוב יותר על נתונים חדשים ללא אימון מחדש. השיפורים בביצועים מרמזים על פוטנציאל להפחתת עלויות פיתוח ולהגברת דיוק במערכות מבוססות ידע. כיצד תשלבו גרפי ידע מתקדמים באסטרטגיית ה-AI שלכם?