تعلم فعّال في السياق: كيف يمكن للخوارزميات أن تتعلم من خلال تفاعلات مغلقة؟

في عالم الذكاء الاصطناعي، يتطور مفهوم التعلم باستمرار، حيث نرى ظهور استراتيجيات جديدة ومثيرة. إحدى هذه الاستراتيجيات هي **تعلم السياق الفعّال** (Agentic In-Context Learning) الذي يعيد تعريف طريقة تعلم نماذج transformers من خلال التفاعل المباشر.

التعلم في السياق (In-Context Learning) يُعتبر أسلوبًا يتيح لنماذج **transformers** تعلم المهارات والمعرفة استنادًا إلى أمثلة مُقدمة، لكن ماذا لو كان بإمكان هذه النماذج أن تؤثر في الأمثلة التي تتعلم منها من خلال تفاعلها مع البيئة؟

في هذا البحث، يُركز العلماء على كيفية تأثير إجراءات النماذج على ما يتم تقديمه كأدلة للتعلم. من خلال هذا الإطار التفاعلي، تُظهر الدراسات السابقة أن النماذج تحتاج إلى سياقات خارجية أو تاريخ للتفاعلات للحصول على توصيات فعالة. لكن في **Agentic ICL**، يكون الأمر مختلفًا تمامًا.

تقديم صورة تفاعلية للمتعلم يتضمن حالته، تحديثاته، وقواعد اتخاذ القرار الخاصة به، مما يغطي مجالات مثل التعلم النشط، والمراهنات، والتعلم المعزز عبر الإنترنت. تم ابتكار *transformers* سببية تقترب من هذه الخوارزميات على مدى فترة محدودة، مما يساعد في تقليل الخسائر الناتجة.

في التجارب، لوحظ أن **transformers** يمكن أن تتعلم تنفيذ ثلاث عمليات متكررة تمثيلية. كما تم تدريب النماذج على أساس المكافآت الناتجة أو العملية، دون الحاجة إلى تحديد أهداف الحالة أو الإجراءات. وقد أظهرت النتائج أن المكافآت المختلفة تؤدي إلى سياسات اتخاذ قرارات مختلفة، مما يعود بفائدة جيدة على التجربة التعلمية.

هذه الفروقات السلوكية أثبتت بقاءها بين النماذج المدربة مسبقًا، مما يوضح كيف يمكن تحسين توافق إشراف العملية مع تفضيلات العمل النهائي لتحسين القرارات المتعلمة. في النهاية، هذه التطورات تمثل خطوة مهمة نحو فهم أعمق لكيفية عمل الذكاء الاصطناعي وتعلمه بشكل أكثر فعالية.