في عالم الذكاء الاصطناعي، يُعتبر اكتشاف الميزات (Feature Discovery) من البيانات غير المنظمة مهمة معقدة تتطلب تفكيرًا منطقيًا دقيقًا. يشكل ذلك تحديًا حقيقيًا، حيث يحتاج العلماء إلى تحديد تجريدات تتنبأ بالنتائج المستهدفة بينما يتجنبون التسرع في اتخاذ القرار نتيجة تسرب البيانات أو الاعتماد على إشارات ما بعد النتائج. ومع تقدم نماذج اللغة الكبيرة (Large Language Models - LLMs)، يُقدم إطار CoFEE (Cognitive Feature Engineering Engine) كحل فعال لمواجهة هذه التحديات.

تركز CoFEE على التحكم في التفكير المنطقي داخل نماذج اللغة الكبيرة، لتعزيز طريقة التفكير أثناء اكتشاف الميزات. يقوم الباحثون بفرض سلوكيات معرفية، والتي تُعتبر انحيازات استدلالية منظمة تُطبق على مجموعة الميزات المُقترحة من قبل النموذج. تشمل السلوكيات المعرفية المستخدمة تقنيات مثل السلسلة العكسية من النتائج، وتحليل الأهداف الفرعية، والتحقق من المتطلبات المتعلقة بالمشاهدات والتسرب.

وفقًا للبحوث الأخيرة، أظهرت CoFEE نجاحًا ملحوظًا من خلال تحقيق معدل نجاح أزيد بنسبة 15.2% مقارنة بالأساليب التقليدية، بينما قامت بتوليد 29% ميزات أقل، مما ساهم في تقليل التكاليف بنسبة 53.3%. كما تم تقييم الميزات المُستحدثة واختبار مدى قدرتها على التعميم إلى بيانات جديدة لم تُستخدم في عملية الاكتشاف.

تشير النتائج إلى أن التحكم بالتفكير المنطقي له تأثير إيجابي على جودة وكفاءة اكتشاف الميزات في نماذج اللغة الكبيرة. يبدو أن CoFEE هي خطوة متقدمة نحو تحقيق بيئات تعلم آلي أكثر فعالية.