تسعى الأبحاث الحديثة إلى تحسين عمليات اختيار الخوارزميات لمشاكل الرضا عن القيود، والتي تتطلب استخراج ميزات تعكس هيكل المشكلة. وفي سياق ذلك، نُشر بحث جديد على منصة arXiv يتناول منهجًا مبتكرًا يعتمد على نماذج اللغة الضخمة (Large Language Models) لتحسين هذه العملية.

تهدف طرق استخراج الميزات التقليدية إلى تحليل المشكلة يدويًا، مما يتطلب خبرة عميقة في المجال وقد تتحول بسرعة إلى عنق زجاجة عند ظهور فئات مشاكل جديدة. هنا يأتي دور الابتكار! تم تقديم نهج آلي يستخدم دورة تحقق وتعديل تحمل الاسم 'check--fix--verify' لتوليد نصوص بايثون قابلة للتنفيذ تعمل كمستخرجات ميزات قابلة للتفسير تتناسب مع المشكلة المحددة.

باستخدام نموذج MiniZinc عالي المستوى، يقوم وكيل النموذج اللغوي (LLM agent) بتوليد كود يسهم في بناء تمثيل بياني منظم ويحسب خصائص هيكلية مثل كثافة الرسوم البيانية، وتجمع المتغيرات، وتماسك القيود.

تم تقييم هذه الطريقة الجديدة على ثلاثة مشاكل تجميعية هي: توجيه المركبات، تسلسل السيارات، وشفرة تصحيح الخطأ ذات الطول الثابت. وأظهرت النتائج أن المستخرجات المولدة تفوقت بانتظام على ميزات mzn2feat التي تم تنسيقها بواسطة الخبراء، بزيادة تصل إلى 8.3 نقطة مئوية في دقة مجموعة الاختبار على نتائج FLECC.

بالإضافة إلى ذلك، تبقى المستخرجات المولدة قابلة للفحص، مما يتيح مزيدًا من الشفافية والفهم العميق لكيفية عمل النظام. يفتح هذا البحث محورًا جديدًا في تصميم خوارزميات الذكاء الاصطناعي (AI) ويستعرض الإمكانيات المستقبلية المثيرة في هذا المجال.