בעידן שבו החלטות משפטיות, רפואיות ומדעיות חייבות להיות ניתנות לביקורת ולנימוק, חוקרים מציגים גישה חדשנית של פירוק מובנה להיגיון במודלי שפה גדולים (LLM). השיטה משלבת את הגמישות של LLM עם ערבויות פורמליות של מערכות סמליות, ומאפשרת יישום כללים על טקסט טבעי בצורה אמינה. לפי המחקר, LLM משמשים כמנועי מילוי אונטולוגיה, שמתרגמים טקסט לא מבנה להצהרות ABox על פי מפרטי TBox מומחים, בעוד מנועי SWRL מבצעים בדיקה סמלית דטרמיניסטית. (72 מילים)
המסגרת מפרקת את ההיגיון לשלושה שלבים עיקריים: זיהוי ישויות, חילוץ הצהרות ובדיקה סמלית, כולם מבוססים על אונטולוגיות OWL 2. ניסויים נערכו בשלושה תחומים: קביעת שמיעה משפטית, יישום משימות מתודולוגיות מדעיות וזכאות לניסויים קליניים. בדקו 11 מודלי שפה שונים, והפירוק המובנה השיג שיפורים סטטיסטיים משמעותיים על פני prompting של few-shot, בכל התחומים. (85 מילים)
מחקר אפליקציה מראה כי הבדיקה הסמלית תורמת תועלת משמעותית מעבר ל-prompting מובנה בלבד. ה-ABox הממולא משתלב בכלי רשת סמנטית סטנדרטיים לבדיקה ושאילתות, ומאפשר דפוסי הסקה עשירים יותר. השיטה פותרת בעיה מרכזית: LLM גמישים אך לא עקביים, ומערכות סמליות מציעות ערבויות אך דורשות קלט מובנה. (82 מילים)
למנהלי עסקים ישראלים בתחומי הייטק, בריאות ופינטק, הגישה הזו רלוונטית במיוחד. היא מאפשרת פיתוח מערכות החלטה אוטומטיות ניתנות לביקורת, כפי שדורשים תקנים רגולטוריים מקומיים כמו ב-ITק או משרד הבריאות. בהשוואה לשיטות קודמות, הפירוק המובנה מפחית טעויות ומגביר אמינות, ומציב בסיס לשילובים מתקדמים יותר עם כלי סמנטיים. (78 מילים)
המחקר מדגיש את הפוטנציאל לשפר תהליכי קבלת החלטות עסקיות באמצעות AI היברידי. חברות יכולות ליישם זאת כבר היום עם כלים פתוחים כמו OWL ו-SWRL. מה תהיה ההשפעה על תעשיית ההייטק הישראלית? קראו את המאמר המלא ב-arXiv כדי להתעמק. (58 מילים)