في عالم الذكاء الاصطناعي، أصبحت الحاجة إلى نماذج فعالة ومخصصة لمختلف المهام أمراً ملحاً. ومع تزايد استخدام تقنيات الضبط الدقيق للكفاءة (PEFT)، تم تطوير نماذج تعتمد على هيكل أساسي واحد مُزود بالعديد من المحولات المتخصصة في المهام المختلفة. لكن، ماذا يحدث عندما تصل استفسارات غير مُعرفة دون تسميات؟ هنا يأتي دور ARIADNE.

يعتبر ARIADNE نظاماً مبتكراً يعتمد على اختيار المحولات في الوقت الحقيقي بطريقة غير معتمدة على نماذج معينة. بدلاً من الحاجة إلى معرفة تفاصيل المحولات، يعتمد هذا الإطار على مجموعة من المراكز المجمعة من تجارب التدريب لكل محول، مما يمكّنه من اختيار المحول المناسب بمجرد قياس القرب في فضاء التضمين.

صُمم ARIADNE بشكل يضمن توافقه مع مجموعة متنوعة من تقنيات PEFT بدون الحاجة إلى تعديل المحولات أو إجراءات التدريب. في اختبارات جديدة باستخدام نموذج Llama 3.2 1B Instruct، أظهر ARIADNE قدرة استثنائية من خلال تحقيق 97.44% من الأداء الأمثل في 23 مهمة متنوعة في معالجة اللغة الطبيعية.

مع المزيد من المهام، حيث استطاع ARIADNE تحقيق دقة اختيار متوسطة بلغت 89.7% دون الحاجة لتدريب إضافي، فإن هذا النظام يعيد تعريف طريقة عملنا مع نماذج الذكاء الاصطناعي ويعزز من سرعة وكفاءة اتخاذ القرارات في بيئات العمل المعقدة.

ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!