تعلم هيراركي مدعوم بالقدرات لتعزيز أداء نماذج اللغات في استخدام الأدوات

في عالم الذكاء الاصطناعي، يمثل توظيف الأدوات الخارجية أحد جوانب التطور المرحلي الذي يساهم في زيادة كفاءة نماذج اللغات الكبيرة (Large Language Models). وأظهرت الدراسات السابقة أن الهيكل الهرمي يعد فعالاً للغاية، حيث يعمل على تقسيم المهام الكبيرة إلى مهام فرعية أصغر يمكن إدارتها.

يتكون هذا الهيكل عادة من سياسات عالية المستوى تهتم بالتخطيط العالمي وتجزئة المهام، وسياسات أدنى تتخصص في استخدام الأدوات لحل هذه المهام الفرعية. ومع ذلك، كانت التحديات تتمثل في أن هذه السياسات تُحسّن في الغالب بشكل منفصل، مما يؤدي إلى عدم التوافق بين التخطيط والتنفيذ، وهذا بدوره يحد من أداء نماذج اللغات في مهام استخدام الأدوات.

وقد قدم الباحثون في ورقة جديدة إلى arXiv طريقة مبتكرة تسمى تعلم هيراركي مدعوم بالقدرات (Capability-Aligned Hierarchical Learning - CAHL). تعتمد هذه الطريقة على تحسين السياسات العالية والمنخفضة معًا، مما يؤدي إلى توافق أفضل بين المخطط والمُنفذ. أظهرت التجارب التي أجريت على معايير محدودة لاستخدام الأدوات مثل API-Bank وBFCL، بالإضافة إلى بيئات مفتوحة مثل Bamboogle، فعالية طريقة CAHL في تعزيز الأداء.

إن هذا البحث يمهد الطريق لابتكارات مستقبلية في كيفية تصميم نماذج الذكاء الاصطناعي للاستفادة بشكل أفضل من الأدوات، مما يعكس جهدًا حقيقيًا نحو تحسين أداء الآلات في المهام المعقدة.