في عالم الذكاء الاصطناعي المتطور، تعتبر نماذج اللغة من أهم الأدوات التي أثبتت فعاليتها في العديد من المجالات. ومع ذلك، لتحقيق نشر مفيد وشامل لهذه التقنيات، يتطلب الأمر تدريب هذه النماذج على مجالات "غائمة" يصعب الإشراف عليها تقنيًا.

في بحث جديد تم الإعلان عنه، تم تطوير طرق مبتكرة لتوجيه نماذج اللغة عبر تغذية تعليقات طبيعية من الخبراء البشريين. هذه الدراسة تقدم طرقًا لتحسين أداء النماذج من خلال تحسين متكرر للإشارات النائبة. بحيث يتم إيقاف هذا التحسين عند نقطة التفاؤل المفرط، ثم جمع إشراف جديد من الخبراء، وتحديث تلك الإشارات.

يتم بناء نماذج الإشارات النائبة باستخدام تقنيات التعلم في السياق (In-context Learning) والتعديل الدقيق (Fine-tuning). وقد تم اختبار هذه الطرق الجديدة على نماذج مثل Qwen3-8B وHaiku 4.5، حيث أظهرت نتائج مبهرة. على سبيل المثال، استطاعت تقنيات التعلم في السياق استعادة 35% من الأداء مع 50 عينة خبير أقل، بينما استطاعت تقنيات التعديل الدقيق استعادة 80% مع 20 عينة خبير أقل، و100% مع 3 عينات فقط!

وبالنسبة لنموذج Haiku 4.5، أظهرت هذه الأساليب نتائج مشابهة، مما يشير إلى أن التغذية الراجعة الطبيعية عبر الإنترنت يمكن أن تحسن بشكل كبير من كفاءة بيانات الإشراف الخبيري.

هذه التطورات تمنحنا نظرة جديدة حول كيفية الاستفادة من البيانات المتاحة، وتعد بإمكانيات هائلة في عالم الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!