اگر تصور می‌کنید مدل‌های زبانی در تحلیل شبکه‌های پیچیده فقط تا چند ده گره پیش می‌روند، باید با AdaSTORM آشنا شوید. این چارچوب سد مقیاس‌پذیری را شکسته و استدلال در گراف‌های هزار-گره‌ای را ممکن کرده است.
داده‌های گراف‌محور — از شبکه‌های اجتماعی تا جریان‌های تراکنش مالی — برای استدلال‌های پیچیده هوش مصنوعی حیاتی هستند. با این حال، مدل‌های استاندارد به دلیل سربار محاسباتی و محدودیت پنجره متنی (Context Window)، در مواجهه با گراف‌های بزرگ شکست می‌خورند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های حافظه در مدل‌های استدلالی اشاره کردیم، این تنگنا باعث می‌شد اکثر پیاده‌سازی‌ها تنها به گراف‌های کوچک محدود شوند.
طبق اعلام پژوهشگران در گزارشی که در ۱۶ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، چارچوب AdaSTORM استدلال گراف را به یک فرآیند دو مرحله‌ای تبدیل می‌کند:
- تقسیم‌بندی تطبیقی (Adaptive Partitioning): سیستم گراف‌های پویا و بزرگ را به زیر-ناحیه‌های کوچکی تقسیم می‌کند که با ظرفیت استدلال مدل سازگار باشد تا هزینه استنتاج (Inference) به حداقل برسد.
- استدلال مشارکتی: همراستاسازی توپولوژی بخش‌های گراف با یک معماری چند-عاملیِ مجزای مکانی-زمانی.
به نقل از مستندات فنی، AdaSTORM در برابر هفت مدل رقیب برتری یافت و به دقت بیش از ۹۰ درصد در گراف‌های هزار-گره‌ای دست یافت؛ آن هم بدون استفاده از هیچ ابزار خارجی.
این پیشرفت، فرض‌های رایج در این حوزه را تغییر می‌دهد. ثابت شد که همکاری میان-عاملی می‌تواند جایگزین دیتابیس‌های گراف خارجی در استدلال‌های مقیاس‌بزرگ شود. در واقع، این چارچوب با تبدیل توپولوژی گراف به یک نقشه سازمان‌دهی برای عامل‌ها (Agents)، محدودیت‌های پنجره متنی را دور می‌زند.
گام بعدی شما
- بررسی نحوه ادغام منطق تقسیم‌بندی تطبیقی در گردش‌های کاری عامل‌محور برای تحلیل شبکه‌های بلادرنگ.
- آزمایش این رویکرد در سیستم‌های شناسایی کلاهبرداری مالی با گراف‌های تراکنشی پیچیده.
اما تأثیر این رویکرد بر کاهش هزینه‌های استنتاج در مقیاس صنعتی، موضوع تحلیل بعدی ماست.
گفتگو