ماذا يحدث عندما يكون المعرّف معرفة، لا عنواناً
العنوان لا يعرف شيئاً
للعثور على يي سون شين في قاعدة بيانات، تحتاج إلى معرّف.
في Wikidata، معرّف يي سون شين هو Q50184.
هذا الرقم يشير إلى يي سون شين.
لكن السلسلة Q50184 نفسها لا تعرف شيئاً.
لا تعرف ما إذا كان شخصاً أم مبنى. لا تعرف ما إذا كان كورياً أم مواطناً فرنسياً. لا تعرف ما إذا كان شخصية من القرن السادس عشر أم الحادي والعشرين. لا تعرف ما إذا كان حياً أم ميتاً.
Q50184 هو عنوان.
ساعي البريد الذي يوصل الرسائل لا يعرف ما هو مكتوب داخل المغلف.
إنه ببساطة ينظر إلى العنوان على المغلف ويوصّل.
UUID كذلك. 550e8400-e29b-41d4-a716-446655440000.
128 بت من الأرقام العشوائية. فريد فقط لتجنب التصادمات –
لا يخبرك بشيء عما يشير إليه.
على مدى الخمسين سنة الماضية، عملت معرّفات قواعد البيانات بهذه الطريقة. المعرّف هو عنوان، ولمعرفة أي شيء، يجب أن تتبع ذلك العنوان وتقرأ البيانات.
يجب أن تتبعه لتعرف
لماذا هذه مشكلة؟
لنفترض أنك تريد العثور على “فيلسوف ذكر من جنسية ألمانية وُلد في القرن التاسع عشر.”
في قاعدة بيانات تقليدية، يعمل الأمر هكذا:
1. تصفية جدول الأشخاص حيث الجنس = 'ذكر'
2. JOIN مع جدول الجنسيات وتصفية الدولة = 'ألمانيا'
3. JOIN مع جدول تواريخ الميلاد وتصفية السنة بين 1800 و1899
4. JOIN مع جدول المهن وتصفية المهنة = 'فيلسوف'
أربع عمليات JOIN. كل JOIN تقارن الصفوف بين جدولين. إذا كانت الجداول كبيرة، تجتاز فهرساً؛ إذا لم يكن هناك فهرس، تقوم بمسح كامل. مع مليار سجل، تستغرق هذه العملية ثوانٍ إلى عشرات الثواني.
لماذا هي بهذا التعقيد؟
لأن المعرّف لا يعرف شيئاً.
بالنظر إلى Q50184، لا يمكنك معرفة ما إذا كان ألمانياً أم كورياً،
لذا يجب أن تذهب إلى جدول آخر لاسترجاع تلك المعلومة.
لكل سؤال، يجب أن تتبع ما يشير إليه المعرّف. هذه هي التكلفة التي ظلت قواعد البيانات تدفعها لخمسين سنة.
ماذا لو كان المعرّف يعرف مسبقاً؟
لنقلب الفرضية.
ماذا لو كان المعرّف نفسه يحتوي على المعلومات الأساسية؟
ماذا لو أمكنك، بمجرد النظر إلى المعرّف، أن تعرف ما إذا كان يشير إلى إنسان، ومن أي بلد، ومن أي حقبة، وكيف يُصنَّف؟
للعثور على “فيلسوف ألماني ذكر من القرن التاسع عشر”، تصبح عمليات JOIN غير ضرورية.
بمسح مليار معرّف، يمكنك تحديد ما إذا كان كل منها مطابقاً فوراً بفحص بتاته.
هذه هي الفكرة الجوهرية وراء الفهرس المحاذي دلالياً.
محاذاة المعنى في المعرّف
SIDX (Semantically-Aligned Index) بحثٌ لبناء معرّف كهذا. في قواعد GEUL خانة Reference تشير إلى الهدف عبر SIDX (GEUL-SIDX). لكن عرضه وطريقة تخصيصه لم يُحسما بعد، وسيُحدَّدان من إحصاءات الاستخدام المتراكمة. فيما يلي نأخذ 64 بت مثالًا للشرح.
بتات SIDX ليست أرقامًا عشوائية. لكل موضع بت معنى مخصّص.
البتات العليا تحمل أهم المعلومات. ما نوع هذا الكيان؟ شخص، مكان، حدث، مفهوم؟
البتات التالية تحمل معلومات التصنيف. إن كان شخصًا، فمن أي عصر؟ ومن أي منطقة؟
وكلما نزلنا إلى البتات الدنيا ازدادت المعلومات تحديدًا.
المبدأ الأساسي هو:
ترتيب البتات هو ترتيب أهمية المعلومات.
أعمق تصنيف في الأعلى، وأدق تمييز في الأسفل.
هذا ليس مجرد ترتيب. إنها فلسفة تصميم.
من مليار إلى عشرة آلاف، في مرور واحد
تظهر القوة العملية لـSIDX في الأرقام.
لنفترض مليار كيان، لكل منها SIDX من 64 بت. الحجم الكلي: مليار × 8 بايتات = 8 غيغابايت.
هذه الـ8 غيغابايت تتسع كلها في الذاكرة.
تريد العثور على “الكيانات البشرية القادمة من شرق آسيا”. إن كانت البتات العليا تحمل علامة “إنسان” ورمز “شرق آسيا”، فقناع بتات واحد يكفي للتصفية.
mask = 0xFF00_0000_0000_0000 (upper 8 bits: type + region)
target = 0x8100_0000_0000_0000 (human + East Asia)
for each sidx in 1_billion:
if (sidx & mask) == target:
add to candidates
تُوازى هذه العملية بـSIMD. الحدّ ليس الحساب بل عرض نطاق الذاكرة. في قياس أولي لـSILK، استغرق مسح 100 مليون توقيع من 128 بت (1.6 غيغابايت) بقناع نحو 27 ميلي ثانية على 8 خيوط Go. وبالمعدل نفسه، يستغرق مليار SIDX من 64 بت (8 غيغابايت) ما يزيد قليلًا على 0.1 ثانية.
مليار سجل يضيق إلى عشرة آلاف. وتصفية العشرة آلاف الباقية بالتفصيل لحظية.
صفر JOIN. صفر اجتياز لشجرة الفهرس. مجرد AND بتّي واحد.
كم ينبغي أن يكون العرض؟
في البداية ظننت أن الأمر يحتاج مساحة أكبر.
32 بايتًا (256 بت). متجه FP16 من 32 بُعدًا. حاولت حشر كل السمات الأساسية للكيان في المعرّف. هل هو إنسان، الجنس، الجنسية، العصر، المهنة، المنطقة، حيّ أم ميت، مسار التصنيف…
لكنني أدركت شيئًا.
المعرّف لا يحتاج أن يعرف كل شيء.
يكفي أن يضيّق مليار سجل إلى عشرة آلاف. والتحقق الدقيق يتولى الباقي.
إنه أشبه بنقطة تفتيش. عند بوابة رسوم على الطريق السريع، لتعرف من لوحة السيارة أن “هذه السيارة متجهة إلى إقليم غيونغي”، لا تحتاج أن تعرف ما في صندوقها.
إذن قد تكفي 64 بت. بالبتات العليا للنوع والتصنيف العام، وبالدنيا للتصنيف الدقيق، يبدو تضييق مليار سجل إلى عشرة آلاف في المتناول بسهولة. 64 بت = أربع كلمات من 16 بت. خفيفة حتى داخل التدفق.
لكن هذا ما زال فرضية. لا تحدد GEUL العرض على المكتب. بين مرشحين مثل 4 WORD (64 بت) و16 WORD، ستقرر بناءً على إحصاءات استخدام حقيقية. وحتى ذلك الحين، يُشار إلى الأهداف بمعرّفات تُعطى بالتسلسل، وبعد تخصيص SIDX يُربط المعرّفان بوصفهما الهدف نفسه.
التدهور الرشيق: المعنى يبقى حتى عند اقتطاع البتات
قوة أخرى للمحاذاة الدلالية هي خصائص التدهور.
لأن بتات SIDX مرتبة من الأهم إلى الأقل أهمية، حتى إذا تلفت البتات السفلية أو اقتُطعت، تُحفظ المعلومات الأساسية في البتات العليا.
64 بت كاملة: "يي سون شين، قائد بحري من مملكة جوسون في القرن 16"
48 بت: "ضابط عسكري من جوسون في القرن 16"
32 بت: "إنسان من شرق آسيا في القرن 16"
16 بت: "إنسان"
8 بتات: "كيان مادي"
كلما اقتُطعت المعلومات، تُفقد الخصوصية، لكن التصنيف الأساسي يبقى حتى النهاية.
هذا تطبيق على مستوى البتات لمبدأ “التدهور الرشيق”.
حتى لو وصلت بيانات جزئية فقط بسبب انقطاع الشبكة، يعرف النظام “لا أعرف بالضبط من هذا، لكنها على الأقل قصة عن إنسان” ويمكنه متابعة الاستدلال.
خطوط عريضة ضبابية أفضل من الصمت التام. فهم جزئي أفضل من فشل كامل.
الاستعلام يصبح معرّفًا
أكثر الإمكانات إثارة التي يفتحها الفهرس المحاذى دلاليًا:
ماذا لو أمكن تحويل استعلام بلغة طبيعية إلى SIDX مؤقت؟
يسأل مستخدم: “من القائد الذي هزم البحرية اليابانية في حرب إيمجين؟”
يحلّل المرمِّز السؤال. إنسان. شرق آسيا. القرن السادس عشر. شأن عسكري. وبتجميع هذه السمات في بتات ينتج SIDX مؤقت.
يمسح هذا الـSIDX المؤقت مليار SIDX. فتبرز الكيانات ذات أنماط البتات الأشبه مرشحةً. يي سون سين، وون غيون، غوون يول، يي إيوك غي…
وبمطابقة المعلومات التفصيلية مع هؤلاء المرشحين يخرج الجواب النهائي.
يمكن أن يصبح البحث وربط الكيانات (entity linking) آلية واحدة. بلا محرك بحث منفصل، وبلا خط NER (التعرف على الكيانات المسماة) منفصل، بمقارنة SIDX واحدة.
لماذا ليس B-Tree؟
تستخدم قواعد البيانات التقليدية فهارس B-Tree.
تتفوق B-Tree في إيجاد قيمة محددة في بيانات مرتبة بـO(log n). وهي مثالية لـ"ابحث عن Q50184".
لكنها ضعيفة أمام “ابحث عن كل الكيانات البشرية القادمة من شرق آسيا”. فالبحث بشروط مركبة يتطلب تقاطع عدة فهارس، وتكلفة التقاطع ترتفع بحدة مع حجم البيانات.
المسح الشامل SIDX + SIMD مقاربة مختلفة.
إن كانت B-Tree دليل هاتف يجيب بسرعة “من يسكن هذا العنوان”، فمسح SIDX تنميط يجيب بسرعة “من يملك هذه الصفات”.
نوع السؤال مختلف، ولذلك تختلف بنية البيانات المثلى.
| نوع الاستعلام | B-Tree | مسح SIDX |
|---|---|---|
| بحث بمعرّف محدد | O(log n)، مثالي | غير ضروري (يُحل بالتجزئة) |
| تصفية بشروط مركبة | يتطلب JOIN، بطيء | AND بتّي واحد، سريع |
| بحث عن كيانات متشابهة | غير ممكن | ممكن بتشابه البتات |
| الإدراج | O(log n)، إعادة موازنة | O(1)، إلحاق |
| تعقيد التنفيذ | مرتفع | منخفض |
الاثنان يتقاسمان العمل ولا يتنافسان. اليوم يجيب SILK عن استعلامات دقيقة مثل “المستندات التي محمولها P106 ومفعولها Q169470” بسلاسل مرتبة وبحث ثنائي. أما مسح توقيعات البتات، مرشّحًا أول أمام ذلك، فمخطط للخطوة التالية.
بسيط. بالقوة الغاشمة. سريع.
حكمة هوفمان
يتبع تخصيص بتات SIDX مبدأ ترميز هوفمان.
في ترميز هوفمان تحصل الرموز المتكررة على رموز قصيرة، والنادرة على رموز أطول.
وفي SIDX تشغل معلومات التصنيف الأكثر حاجةً البتات العليا، والتفاصيل النادرة الحاجة البتات الدنيا.
وتخصيص Codec في قواعد GEUL يتبع المبدأ نفسه. الصيغ التي ثبت تكرارها تحصل على رمز مباشر قصير داخل TAG WORD، والنادرة تذهب إلى صيغ Issuer مع TAG امتداد.
حكمة هوفمان تسري في هذا التصميم كله. أقل تكلفة لما يُستخدم أكثر.
ملخص
المعرّف التقليدي عنوان. والعنوان لا يعرف شيئًا.
- إن لم يحمل المعرّف معنى، وجب تتبّعه إلى البيانات في كل مرة. هذا هو JOIN.
- أربع عمليات JOIN على مليار سجل بطيئة.
- SIDX بحثٌ لترميز المعنى في المعرّف نفسه بالمحاذاة الدلالية.
- عملية AND واحدة بقناع بتات يمكنها تضييق مليار سجل إلى عشرة آلاف. صفر JOIN.
- لا يحتاج المعرّف أن يعرف كل شيء؛ يكفيه تضييق المرشحين. ويُحدَّد العرض من إحصاءات الاستخدام.
- لأن أهم المعلومات في البتات العليا، يبقى جوهر المعنى حتى عند اقتطاع البتات.
- إن أمكن تحويل استعلام بلغة طبيعية إلى SIDX مؤقت، صار البحث عملية بتات.
في اللحظة التي يكفّ فيها المعرّف عن أن يكون عنوانًا ويصير معرفة، تتغير قواعد قاعدة البيانات.