في عالم الذكاء الاصطناعي، يعتبر تحسين معلمات النماذج أمرًا معقدًا وصعبًا، خاصة بالنسبة لنماذج استرجاع المعلومات المعززة (Retrieval-Augmented Generation - RAG). قد تواجه هذه النماذج تحديات كبيرة بسبب التفاعلات المعقدة بين المعلمات وقوة التقييم المطلوبة.

في ورقة بحثية جديدة، تم تقديم إطار جديد يسمى CDS4RAG، والذي يُعد النقلة النوعية في هذا المجال. يقوم هذا الإطار بتحسين جميع معلمات RAG من خلال صيغة جديدة تُعرف باسم التقسيم الزوجي الدوري (Cyclic Dual-Sequential). الميزة الفريدة لـ CDS4RAG هي أنه يميز بين معلمات المسترجع (Retriever) والمولد (Generator)، مما يسمح بتحسين المعلمات بشكل دوري.

تعمل هذه الطريقة على تخصيص الميزانية بصفة دقيقة داخل كل دورة، وتهيئة العملية بشكل سريع عند تحسين المولد من خلال استخدام معلومات من الدورات السابقة.

لقد أثبتت التجارب على أربعة معايير شائعة ونموذجين من نماذج اللغات الكبيرة (Large Language Models) أن CDS4RAG يُحسن من أداء الخوارزميات الأساسية في 21 من 24 حالة، متفوقًا بشكل ملحوظ على الخوارزميات المتقدمة الأخرى، محققا تحسينات تصل إلى 1.54 مرة في جودة الإخراج وسرعة أكبر.

إذاً، هل تعتقد أن CDS4RAG سيغير من قواعد اللعبة في عالم الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!