«پروژه جدیدی داده‌های ویکی‌پدیا را برای هوش مصنوعی قابل‌دسترس‌تر می‌کند.»
«روز چهارشنبه، ویکیمدیا آلمان یک پایگاه داده جدید معرفی کرد که قرار است ثروت دانش ویکی‌پدیا را برای مدل‌های هوش مصنوعی در دسترس‌تر کند.»
این پروژه که Wikidata Embedding Project نام دارد، از یک جست‌وجوی معنایی مبتنی بر بردار استفاده می‌کند روشی که به رایانه‌ها کمک می‌کند تا معنای واژه‌ها و روابط میان آن‌ها را درک کنند و آن را بر روی داده‌های موجود در ویکی‌پدیا و پلتفرم‌های خواهر آن، شامل نزدیک به ۱۲۰ میلیون ورودی، اعمال می‌کند.
با ترکیب این فناوری با پشتیبانی جدید از Model Context Protocol (MCP) یک استاندارد که به سیستم‌های هوش مصنوعی کمک می‌کند تا با منابع داده ارتباط برقرار کنند این پروژه داده‌ها را برای پرسش‌های زبانی طبیعی از سوی مدل‌های زبانی بزرگ (LLMها) در دسترس‌تر می‌سازد. این پروژه توسط شاخه آلمانی ویکیمدیا و در همکاری با شرکت Jina.AI (فعال در حوزه جست‌وجوی عصبی) و شرکت DataStax (فعال در داده‌های آموزشی بلادرنگ و زیرمجموعه IBM) اجرا شده است.
ویکی‌دیتا سال‌هاست که داده‌های قابل‌خواندن توسط ماشین را از دارایی‌های ویکیمدیا ارائه می‌دهد، اما ابزارهای پیشین تنها امکان جست‌وجوی مبتنی بر کلیدواژه و کوئری‌های SPARQL (یک زبان کوئری تخصصی) را فراهم می‌کردند. سیستم جدید اما بهتر با سامانه‌های RAG (بازیابی همراه با تولید) کار خواهد کرد؛ سامانه‌هایی که به مدل‌های هوش مصنوعی اجازه می‌دهند اطلاعات خارجی را وارد کنند.
این تغییر به توسعه‌دهندگان این فرصت را می‌دهد تا مدل‌های خود را بر پایه دانشی که توسط ویرایشگران ویکی‌پدیا تأیید شده، استوار کنند. این داده‌ها همچنین به گونه‌ای ساختار یافته‌اند که زمینه معنایی حیاتی را فراهم کنند. برای مثال، جست‌وجو در پایگاه داده برای واژه‌ی «دانشمند» نه تنها فهرست دانشمندان برجسته هسته‌ای را تولید می‌کند، بلکه دانشمندانی را که در آزمایشگاه‌های بل کار می‌کردند نیز نشان می‌دهد. همچنین ترجمه‌های واژه‌ی «دانشمند» به زبان‌های مختلف، یک تصویر تأییدشده از سوی ویکیمدیا از دانشمندانی در حال کار، و نیز گسترش مفاهیم مرتبط مانند «پژوهشگر» و «عالم» در دسترس خواهد بود. این پایگاه داده به‌طور عمومی در Toolforge قابل دسترسی است. ویکی‌دیتا همچنین در تاریخ ۹ اکتبر یک وبینار برای توسعه‌دهندگان علاقه‌مند برگزار خواهد کرد.
این پروژه جدید در زمانی معرفی می‌شود که توسعه‌دهندگان هوش مصنوعی به‌شدت در جست‌وجوی منابع داده باکیفیت برای فاین‌تیون کردن مدل‌ها هستند. خود سیستم‌های آموزشی پیچیده‌تر شده‌اند اغلب به شکل محیط‌های آموزشی چندلایه ساخته می‌شوند نه صرفاً مجموعه داده‌های ساده اما همچنان برای عملکرد درست به داده‌های دقیق و گزینش‌شده نیاز دارند. برای پیاده‌سازی‌هایی که به دقت بالا نیاز دارند، وجود داده‌های قابل‌اعتماد به‌ویژه ضروری است. در حالی که برخی ممکن است به ویکی‌پدیا با دیده تردید نگاه کنند، داده‌های آن به‌مراتب بیشتر از مجموعه‌های داده عمومی مانند Common Crawl که شامل حجم عظیمی از صفحات وب جمع‌آوری‌شده از سراسر اینترنت است بر پایه واقعیت سازماندهی شده‌اند.
در برخی موارد، فشار برای دسترسی به داده‌های باکیفیت می‌تواند پیامدهای پرهزینه‌ای برای آزمایشگاه‌های هوش مصنوعی داشته باشد. در ماه اوت، شرکت Anthropic پیشنهاد داد برای پایان دادن به شکایت گروهی از نویسندگانی که آثارشان بدون اجازه به‌عنوان داده آموزشی استفاده شده بود، با پرداخت ۱.۵ میلیارد دلار پرونده را مختومه کند. فیلیپ سعده، مدیر پروژه هوش مصنوعی ویکی‌دیتا، در بیانیه‌ای برای مطبوعات بر استقلال پروژه‌اش از آزمایشگاه‌های بزرگ هوش مصنوعی یا شرکت‌های فناوری تأکید کرد. او به خبرنگاران گفت: «راه‌اندازی این پروژه Embedding نشان می‌دهد که هوش مصنوعی قدرتمند لازم نیست در دست تعداد محدودی شرکت متمرکز باشد. این فناوری می‌تواند باز، مشارکتی و ساخته‌شده برای خدمت به همه باشد.»
منبع:techcrunch