تُعتبر نماذج اللغة الضخمة (Large Language Models) من أبرز التطورات في مجال الذكاء الاصطناعي، لكن التحدي يكمن في كيفية اختيار أفضل نموذج من بينها وفقاً لتكاليف الاستعلام المتباينة.

في دراسة جديدة نشرت في arXiv، تناول الباحثون هذا التحدي من خلال صياغة وتحليل نموذج مستوحى من فكرة "آلة الألعاب متعددة الذراعين" (Multi-Armed Bandit) الذي يعتمد على مدخلات غير متجانسة. يتمثل الابتكار في استخدام تغذية راجعة مزدوجة (Dueling Feedback) حيث توفر المقارنات الثنائية بين استجابات النماذج إشارات تفضيل قوية وقابلة للتعزيز.

قد قام الباحثون بإجراء تجارب على مجموعة من البيانات الحقيقية، ولقد أكدوا وجود "فائز كوندوست" (Condorcet winner)، مما يعزز التوجه نحو تطوير خوارزمية Track-and-Stop لتحديد أفضل النماذج بتكلفة معقولة.

أثبتت الدراسات أن هذه الخوارزمية تصل إلى تكلفة مثالية تقريباً بينما تقترب نسبة الخطأ من الصفر، مما يجعلها خياراً ممتازاً مقارنة بالخوارزميات التقليدية التي لا تأخذ في الاعتبار تكاليف الاستعلام.

تظهر نتائج التجارب تحسناً ملحوظاً في الأداء مقارنة بخوارزميات تكلفة الاستعلام التقليدية، مما يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي التي تحتاج إلى تقييم أفضل النماذج بشكل فعال.

إذا كنتم من المتحمسين لمتابعة تطورات الذكاء الاصطناعي، ما رأيكم في هذه الدراسة؟ دعونا نعرف آرائكم في التعليقات!