في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) أدوات قوية ولكنها تواجه تحديات كبيرة عند التعامل مع تدفقات المحادثة الحرجة، مثل الفحص السريري في مجالات الرعاية الصحية. يعاني بعضها من صعوبة الحفاظ على اتباع دقيق للعمليات الهيكلية، مما يؤثر سلبًا على النتائج. هنا يأتي الإطار الجديد Arbor ليحدث ثورة في هذا المجال!

Arbor هو إطار عمل مبتكر يقوم بتجزئة عملية التنقل عبر أشجار القرار إلى مهام متخصصة على مستوى العقد، مما يضمن دقة أكبر وأداء أفضل. حيث يتم تمثيل أشجار القرار في شكل قائمة حواف ويتم تخزينها للانتقاء الديناميكي.

آلية التنسيق المعتمدة على الرسوم البيانية غير الدائرية (Directed Acyclic Graph) تتيح استرجاع الحواف الصادرة من العقدة الحالية بشكل متكرر، وتقيّم التحولات الصالحة من خلال استدعاء نموذج لغة مخصص، وتفوض عملية توليد الاستجابة إلى خطوة استدلال منفصلة.

المثير في هذا الإطار هو أنه لا يعتمد على منطق القرار الأساسي أو موفر النموذج، مما يجعله مرنًا وقابلاً للاستخدام مع مجموعة واسعة من النماذج. عند تقييم Arbor مقارنة بنماذج أحادية الإشارة عبر 10 نماذج أساسية، أظهر تحسينًا ملحوظًا في دقة التحولات بنسبة 29.4 نقطة مئوية، مع تقليل زمن الاستجابة بنسبة 57.1% وانخفاض التكلفة لكل تحويل بمعدل 13.8 مرة.

هذه النتائج تشير إلى أن هيكلية التجزئة تقلل من الاعتماد على قدرة النموذج نفسه، مما يمكّن النماذج الأصغر من أن تنافس أو تتفوق على النماذج الأكبر في بيئات تعمل بنماذج أحادية الإشارة.