معماری Yila AI توهمات پژوهشی را با ردیابی دقیق شواهد حذف کرد

تصور کنید یک پژوهشگر ساعت‌ها وقت صرف تحلیل مقالاتی می‌کند که هوش مصنوعی آن‌ها را خلاصه کرده، اما در لحظه حساس، ابزار نمی‌تواند دقیقاً بگوید این ادعا در کدام صفحه و پاراگراف است؛ چنین ابزاری بیش از آنکه کمک کند، یک ریسک است. در ۱۲ اکتبر ۲۰۲۶، شرکت Yila AI معماری طراحی جدیدی را افشا کرد که با عبور از خلاصه‌سازی ساده، مسئله «منشأ داده» (Provenance) را در پژوهش‌های آکادمیک حل می‌کند. به نقل از گزارش dev.to، شرط اصلی برای هر ابزار پژوهشی قابل‌اعتماد این است که هر ادعای واقع‌گرایانه باید یک آدرس پایدار و قابل‌کلیک داشته باشد.

در چت‌بات‌های معمولی، خروجی جریانی از متن است که هیچ ساختار داخلی ندارد. اما در فضای آکادمیک، این رویکرد غیرقابل‌قبول است. بدون داشتن آدرس دقیق — شامل سند، صفحه، بخش و عبارت — کاربر یا باید کورکورانه به هوش مصنوعی اعتماد کند یا تمام کار را برای تأیید دوباره انجام دهد، که این یعنی ابزار عملاً ارزش خود را از دست داده است.

بسیاری از ابزارهای فعلی با فایل‌های PDF مثل رشته‌های ساده‌ای از متن برخورد می‌کنند — شبیه کسی که یک کتاب را تکه‌تکه کرده و بدون توجه به شماره صفحه، کلمات را در یک ظرف می‌ریزد — و همین موضوع در متون تخصصی منجر به شکست‌های فاجعه‌بار می‌شود. مقالات آکادمیک ساختار پیچیده‌ای دارند؛ آن‌ها دارای چیدمان‌های دو ستونی، پاورقی‌ها، اشکالی با متن‌های داخلی و جداولی هستند که در چندین صفحه پخش شده‌اند. وقتی مدل این ساختار را نادیده می‌گیرد، اغلب یک پاورقی را به جای متن اصلی گزارش می‌کند یا ستون‌ها را به شکلی بی‌معنی با هم ترکیب می‌کند. این چالش‌ها با یافته‌های اخیر همسو است که نشان می‌دهد برخی عامل‌های هوش مصنوعی در پژوهش‌های مستقل شکست خورده و حتی نتایج را جعل کرده‌اند، که ضرورت وجود سیستمی برای ردیابی دقیق شواهد را دوچندان می‌کند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، شفافیت در منبع، کلید پذیرش ابزارهای هوش مصنوعی در محیط‌های حساس است. برای مقابله با این مشکل، Yila AI خط لوله‌ای را پیاده کرده که در آن منشأ داده در هر مرحله حفظ می‌شود. اگر یک PDF برای تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — تکه‌بندی شود، این تکه‌ها شناسه‌های پایداری را حفظ می‌کنند که مستقیماً به صفحه و پاراگراف اصلی بازمی‌گردد. وقتی این تکه‌ها خلاصه می‌شوند یا در قالب یک پیش‌نویس بازنویسی می‌گردند، استنادها از این تغییر شکل جان سالم به در می‌برند. در این سیستم، از دست دادن این پیوند در هر مرحله‌ای، نه یک نقص ظاهری، بلکه یک باگ بحرانی تلقی می‌شود. این رویکرد سخت‌گیرانه یادآور استراتژی «سکوت» در بیمه اسلواکی است که برای حذف توهمات از طریق محدود کردن خروجی‌های غیرقابل اثبات استفاده شد.

معماری شواهد

این سامانه برای تضمین دقت، بر چندین محدودیت فنی سخت‌گیرانه تکیه دارد:

• تجزیه ساختاری: عامل (Agent) سرتیترهای بخش‌ها را حفظ می‌کند تا تفاوت بین «نتایج» (Results) و «محدودیت‌ها» (Limitations) را بفهمد، زیرا بافت یک جمله تعیین می‌کند که چگونه باید از آن استفاده شود. همچنین با جداول به جای متن، به عنوان داده‌های ساختاریافته (ردیف و ستون) برخورد می‌کند تا اعداد دقیقاً نقل شوند و مقایسه‌ها با دقت انجام شود. علاوه بر این، شرح تصاویر (Captions) به خود تصاویر متصل می‌مانند، زیرا این شرح‌ها اغلب شفاف‌ترین بیان از معنای یک شکل هستند.
• بازیابی محدود: به جای جست‌وجوی کلی در وب که می‌تواند استنادات جعلی یا کم‌کیفیت وارد کند، عامل پاسخ‌ها را به کتابخانه‌ای از مقالات تأییدشده که توسط کاربر تعریف شده محدود می‌کند. در Yila، یک «پروژه» شامل مقالات و مجموعه‌داده‌های مربوط به یک کار پژوهشی خاص است. این ساختار اجازه می‌دهد سوالات مقایسه‌ای، مانند «کدام یک از این مطالعات از طراحی تصادفی استفاده کرده‌اند؟»، با پاسخ‌هایی داده شود که در محدوده کتابخانه کامل بوده و کاملاً قابل ردیابی باشند.
• تولید محدودشده: مدل مجبور است هر جمله واقع‌گرایانه را بر اساس قطعات بازیابی‌شده مبنی‌سازی (Grounding) کند. از آنجا که مدل‌های زبانی به‌طور پیش‌فرض روان هستند و تنها زمانی محتاط می‌شوند که مجبور باشند، هر ادعایی که نتوان آن را مبنی‌سازی کرد، یا علامت‌گذاری شده و یا کاملاً حذف می‌شود.
• گذر تأیید: پس از تولید ادعا و استناد در کنار هم، سیستم یک بررسی ثانویه انجام می‌دهد. این مرحله هر ادعا را با عبارت استناد شده مقایسه کرده و عدم تطابق‌ها را علامت می‌زند. این فرآیند از نظر محاسباتی در مقایسه با هزینه بالای یک استناد غلط در یک مقاله ارسالی، بسیار ارزان است.

انضباط داده و رابط کاربری

منشأ داده اگر پنهان باشد، بی‌فایده است. رابط کاربری Yila AI هر ادعا را قابل‌کلیک کرده و بلافاصله PDF منبع را با هایلایت کردن جمله مربوطه باز می‌کند. پیش‌نمایش‌های شناور (Hover previews) برای بررسی‌های سریع ارائه شده‌اند و برای جداول و اشکال، کاربران می‌توانند مستقیماً به سلول دقیق جدول یا شکل مربوطه بپرند. این طراحی رفتار کاربر را تغییر می‌دهد؛ وقتی تأیید شواهد تنها با یک کلیک ممکن باشد، پژوهشگران واقعاً شواهد را چک می‌کنند.

این انضباط به تحلیل داده‌ها نیز گسترش یافته است، جایی که بسیاری از سوالات پژوهشی به جای یک مقاله، به یک مجموعه‌داده ختم می‌شوند. هر نموداری که توسط عامل تولید می‌شود، کد دقیقی که آن را تولید کرده است را همراه دارد و هر عدد به یک محاسبه مشخص بازمی‌گردد. مراحل پاک‌سازی داده‌ها به جای اینکه به‌صورت نامرئی اعمال شوند، ثبت می‌شوند تا تحلیل‌ها کاملاً بازتولیدپذیر باشند. این سطح از ثبت دقیق، مشابه رویکرد Sanity و Notion در مهار خطاهای نوشتاری است که بر استفاده از لاگ‌های بازرسی برای کنترل کیفیت تأکید دارند.

با تبدیل کدهای تولیدشده به یک اثر درجه اول که نسخه‌بندی، ذخیره و ویرایش آن آسان است، سیستم به پژوهشگران اجازه می‌دهد تا به درخواست داور برای بررسی استحکام (Robustness check) در عرض چند دقیقه پاسخ دهند. این امر تضمین می‌کند که تمام تحلیل‌ها قابل بازتولید باقی بمانند.

تست برای «شکست‌های کسل‌کننده»

ارزیابی این عامل‌ها به جای تمرکز بر قابلیت‌های خیره‌کننده، روی خطاهای پیش‌پاافتاده اما آسیب‌زننده متمرکز است. سیستم در برابر مجموعه‌ای از «شکست‌های کسل‌کننده» تست می‌شود، از جمله:

۱. استناد به مقاله درست اما صفحه یا بخش غلط.
۲. استناد به مقاله کاملاً اشتباه برای یک ادعای درست.
۳. جابه‌جایی یا گرد کردن نادرست اعداد.
۴. ارائه فرضیه نویسنده به عنوان یک یافته اثبات‌شده.
۵. حذف محدودیت‌هایی که نویسندگان صراحتاً ذکر کرده‌اند.

توسعه‌دهندگان با ردیابی «دقت استناد» به عنوان یک معیار اصلی در کنار دقت پاسخ، تضمین می‌کنند که ابزار از طریق قابلیت اطمینان و نه دموهای پرزرق‌وبرق، اعتماد جلب کند. این کار شامل استفاده از مجموعه‌های تست از مقالاتی با پاسخ‌های شناخته‌شده برای تأیید دقت استنادها است.

اعتماد و قالب‌های خروجی

پژوهشگران به خروجی‌های خاصی مثل ماتریس‌های ادبیات (Literature matrices)، پیش‌نویس بخش‌ها، اسلایدهای جلسات آزمایشگاهی و پوسترهای کنفرانسی نیاز دارند. هر یک از این قالب‌ها باید استنادها را حفظ کنند. برای مثال، یک اسلاید تولیدشده باید هر عدد را به جدول اصلی‌اش لینک کند و یک ماتریس ادبیات باید هر سلول را به عبارت توجیه‌کننده متصل کند. اگر قالب خروجی منشأ داده را حذف کند، کاربر مجبور است دوباره کار را دستی بازسازی کند.

علاوه بر این، معماری سیستم حریم خصوصی و اعتماد را هدف قرار داده است. پژوهشگران اغلب با دست‌نوشته‌های منتشرنشده، نتایج تحت embargo (محدودیت انتشار) و داده‌های محرمانه سروکار دارند. Yila AI تضمین‌های شفافی در مورد ذخیره‌سازی اسناد، قابلیت مشاهده و اینکه آیا داده‌ها برای آموزش استفاده می‌شوند یا خیر، ارائه می‌دهد. این تضمین‌ها به‌جای پنهان شدن در صفحات سیاست‌های حریم خصوصی، مستقیماً در محیط محصول نمایش داده می‌شوند.

این چرخش در معماری نشان می‌دهد که آینده عامل‌های حرفه‌ای در «محدودیت» است، نه «روانی کلام». برای پژوهشگر، هوش مصنوعی از یک «جعبه سیاه» که جواب می‌دهد، به یک شاخص شفاف تبدیل می‌شود که شواهد را سازماندهی می‌کند. اثر ثانویه این تحول، کاهش شدید زمانی است که صرف تأیید دستی منابع می‌شود — بخشی که در حال حاضر گران‌ترین مرحله در گردش‌کار پژوهشی است.

توسعه‌دهندگانی که در فضای RAG فعالیت می‌کنند باید اولویت خود را بر «آدرس‌پذیری» داده‌ها بگذارند. هدف دیگر فقط بازیابی تکه درست نیست، بلکه حفظ زنجیره مالکیت بدون نقص از PDF خام تا اسلاید نهایی یا ماتریس ادبیات است.

برای مشاهده این اصول در عمل، می‌توانید فضای کاری متصل به شواهد را در yila.ai بررسی کنید، جایی که مرور ادبیات، تحلیل داده‌ها و نوشتن در یک محیط یکپارچه قرار دارند.

گام بعدی شما

• اگر در حال نوشتن مقاله یا پایان‌نامه هستید، محیط yila.ai را برای مدیریت منابع و تحلیل داده‌ها امتحان کنید.
• در ابزارهای RAG فعلی خود، بررسی کنید که آیا امکان بازگشت مستقیم از خروجی به صفحه و پاراگراف منبع را دارید یا خیر.
• برای کاهش نرخ توهم، مدل‌های خود را به جای خروجی‌های آزاد، به سمت تولیدات محدودشده (Constrained Generation) سوق دهید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.