تشهد نماذج اللغات الضخمة (Large Language Models) تطوراً مذهلاً في قدرتها على التفكير واستيعاب المعرفة العالمية، لكنها غالبًا ما تواجه صعوبة في جمع المعلومات بفاعلية خلال التفاعلات متعددة الأدوار المطلوبة في سياقات اتخاذ القرار التسلسلي. هنا يأتي دور الأسلوب الجديد الذي يحمل اسم "جمع المعلومات التسلسلي الممتد" (Amortised Sequential Information Gathering ASIG)!

تقنية ASIG هي نهج متخصص يركز على تحسين أداء نماذج اللغات الضخمة من خلال دمج تصميم التجارب البايزية (Bayesian Experimental Design BED) في سياسات نماذج اللغات. من خلال تحسين مجموعة السياسة عبر أدوار متعددة، مع مكافأة تستند إلى كمية المعلومات المستمدة، تمكنت ASIG من رفع معدل النجاح لنموذج قائم بحجم 7 مليار معلمة لأكثر من الضعف مقارنة بالنموذج الأساسي.

علاوة على ذلك، أثبتت التجارب فعالية ASIG في تقليل التكلفة الزمنية للاستدلال بأكثر من 25 مرة مقارنة بالنموذج الأساسي BED-LLM، ما يجعل هذه التقنية تحظى بأهمية خاصة في مجال الاستدلال العالي الأداء. وعند تطبيقها على مجموعة بيانات جديدة حول التشخيص الطبي، أظهرت ASIG أداءً يتجاوز التوقعات في جمع المعلومات، مما يقترح إمكانية نقل الاستراتيجيات المكتسبة إلى مجالات جديدة دون الحاجة لتدريب إضافي.

تظهر النتائج التي توصلنا إليها أن دمج تصميم التجارب البايزية في سياسات نماذج اللغات الضخمة يقدم طريقة فعالة وفعالة من حيث التكلفة لجمع المعلومات التسلسلي. إن هذه التطورات تشير إلى مستقبل واعد في كيفية تحسين نماذج الذكاء الاصطناعي في فهم وتحليل المعلومات المعقدة، وهو ما يمكن أن يحدث تغييراً جذرياً في طريقة الاعتماد على هذه النماذج في مجالات متعددة مثل الرعاية الصحية والبحث العلمي.