چارچوب تطبیقی تولید تقویت‌شده با بازیابی فدرال در سامانه‌های توزیع‌شده کلان‌داده

سعیده نادری¹ سید حمید غفوری² اعظم سادات میرتاج الدینی³ راضیه خجسته نژاد⁴

1) دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران Email:
2) گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران Email:
3) دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران Email:
4) دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران :

کد IOI مقاله : AAHD-ABCHCD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    گسترش سریع رویکرد «تولید تقویت‌شده با بازیابی» (RAG) امکان بهره‌گیری مدل‌های زبانی بزرگ از دانش بیرونی را فراهم کرده است؛ با این حال، معماری‌های موجود RAG عمدتاً بر نمایه‌سازی و تجمیع داده‌های متمرکز متکی هستند که این امر در محیط‌های کلان‌داده توزیع‌شده موجب محدودیت در مقیاس‌پذیری و بروز نگرانی‌های مرتبط با حریم خصوصی می‌شود. در این پژوهش، چارچوب «تولید تقویت‌شده با بازیابی فدرال تطبیقی» (AFRAG) برای سامانه‌های کلان‌داده غیرمتمرکز ارائه می‌شود که در آن داده‌ها به‌صورت محلی و در گره‌های متعدد ذخیره باقی می‌مانند. هدف اصلی این چارچوب، فراهم‌سازی بازیابی و تولید دانش با کیفیت بالا، مقیاس‌پذیر و حفظ‌کننده حریم خصوصی، بدون انتقال داده خام است. معماری پیشنهادی با تلفیق یادگیری تعبیه فدرال، مسیریابی تطبیقی پرس‌وجو و سازوکارهای تجمیع آگاه از حریم خصوصی، گره‌های مرتبط را به‌صورت پویا انتخاب کرده و عملکرد بازیابی را تحت قیود ارتباطی و تأخیر بهینه می‌سازد. به‌منظور ارزیابی، یک محیط آزمایشی توزیع‌شده برای شبیه‌سازی مخازن داده ناهمگن پیاده‌سازی شده و عملکرد چارچوب با رویکردهای RAG متمرکز و فدرال پایه بر اساس معیارهای استاندارد بازیابی و تولید، سربار ارتباطی و زمان تأخیر مقایسه گردیده است. نتایج آزمایش‌ها نشان می‌دهد AFRAG ضمن بهبود میزان ارتباط‌پذیری اسناد بازیابی‌شده و دقت پاسخ‌ها، هزینه ارتباطی را به‌طور معناداری کاهش داده و محل‌مندی داده‌ها را حفظ می‌کند. یافته‌ها بیانگر آن است که ترکیب مسیریابی تطبیقی با بهینه‌سازی تعبیه‌های فدرال، راهکاری مؤثر برای تحلیل‌های مبتنی بر مدل‌های زبانی بزرگ در اکوسیستم‌های کلان‌داده توزیع‌شده و حساس به حریم خصوصی فراهم می‌سازد.

کلمات کلیدی : یادگیری فدرال تولید تقویت‌شده با بازیابی (rag) سامانه‌های کلان‌داده توزیع‌شده مسیریابی تطبیقی پرس‌وجو تحلیل‌های حفظ‌کننده حریم خصوصی مدل‌های زبانی بزرگ (llms)