في عالم اليوم الذي يتسم بالتعقيد والتحولات السريعة، تتزايد أهمية استخدام الذكاء الاصطناعي في صياغة نماذج التحسين. تعتبر النماذج اللغوية الضخمة (Large Language Models - LLMs) من الأدوات الرائدة في هذا المجال، حيث تساهم في تحويل الأوصاف اللغوية الطبيعية لمشكلات العمليات البحثية إلى نماذج رياضية فعالة. ومع ذلك، لا تخلو الطلبات الواقعية من التحديات، إذ غالبًا ما تكون غير مكتملة، مما يُفقدها جوهرها.

لهذا السبب، تم تقديم مفهوم جديد يُعرف باسم OR-Clarify، وهو معيار يسعى لتوضيح المتطلبات قبل التشكيل. يتضمن هذا البرنامج المهام التي تعرض وصفًا جزئيًا لمشكلة عامة، حيث يتم إخفاء بعض المعلومات الهيكلية. بالتالي، يُقيم الأداء من خلال التفاعل المحدود مع مستخدم محاكي. يُتيح OR-Clarify توفير خيارات توضيحية متنوعة، مما يسمح بتحسين دقة استرجاع المعلومات وفهم الاتجاهات الغامضة.

علاوة على ذلك، يقدم إطار العمل InterOPT، الذي يتمثل في عملية ثنائية المراحل. يهدف هذا الإطار إلى تحديد الفجوات الحرجة التي لم يتم حلها في عملية التشكيل، مما يحدد متى يكون من الضروري السؤال التالي أو إيقاف العملية. لقد أثبتت التجارب أن InterOPT يتفوق بشكل كبير على النماذج الأساسية في استرجاع المعلومات بدقة، كما أنه لا يزال يتفوق على الأساليب التقليدية القوية في الحالات المفتوحة.

إن وضع OR-Clarify وInterOPT معًا يُعيد تشكيل مفهوم مساعدة بحث العمليات ليكون أكثر تحديًا؛ فبدلاً من فهم الأمور بشكل كامل، يُمكنك التوضيح عندما يكون ذلك ضروريًا، والتوقف عندما يكون كل شيء واضحًا، والقيام بقياس ما يتبقى من استفسارات.