في عالم الذكاء الاصطناعي، تتطور نماذج اللغات الضخمة (LLMs) لتصبح عنصراً أساسياً في مجالات متعددة تتطلب التفكير، واستخدام الأدوات، واتخاذ القرارات المتسلسلة. ومع تطور هذه النماذج وزيادة تعقيد المهام، يصبح من الضروري تحسين موثوقيتها دون الحاجة إلى إعادة تدريب مكلفة للنماذج الأساسية. هنا تظهر الحاجة إلى مفهوم 'التدخل في زمن التشغيل'.

التدخل في زمن التشغيل هو نهج يهدف إلى تحسين أداء نماذج الذكاء الاصطناعي في اللحظات الحرجة. ومع ذلك، الاكتفاء بالكشف عن الأخطاء ليس كافياً، بل يتعين أن يقدم التدخل توجيهاً مفيداً لاستعادة الأداء. تقنيات سابقة تعتمد على وجود محلل خبير أو ناقد يقدم تصحيحات محددة، مما يزيد من التكاليف أو يتطلب قدرة إضافية.

إليك هنا ما هو جديد، حيث تم تقديم 'مستشار صغير معتمد على المقارنة' (COTA). هذه الإطار يركز فقط على المقارنات، حيث يقوم المقارن الصغير بتقييم ما إذا كانت البدائل المختارة تؤدي إلى نتائج أفضل من اقتراح النموذج. من خلال المقارنات المتكررة، يتم تحديد متى يصبح التدخل ضرورياً.

تدريب المقارن يعتمد على إشراف ثنائي التركيب، حيث يتكون من فروع معاكسة تحمل نفس البادئة. البدائل المفضلة تُظهر نصائح غير ملزمة، مما يمنح النموذج الأصلي حرية إعادة التخطيط واستغلال الفكرة الأكثر فعالية في السلسلة الزمنية. تم اختبار COTA على منصات متعددة مثل WebShop وALFWorld وtau^3-Retail، وأظهرت النتائج تحسناً ملحوظاً في جميع إعدادات التقييم التسعة، حيث تفوقت على الأساليب التقليدية.

تشير هذه النتائج إلى أنه حتى في حال كانت القدرات التفسيرية للنموذج المساعد أقل بكثير من النموذج الأساسي، فإن التدخل البنّاء في زمن التنفيذ يمكن أن يبقى فعالاً. هل تعتقد أن هذه الطرق الجديدة ستحدث ثورة في أداء النماذج؟ شاركنا برأيك!