في عالم الذكاء الاصطناعي، يُعتبر اتخاذ القرارات الدقيقة أمراً حيوياً، وخصوصاً في نماذج اتخاذ القرار المطبوعة (Typed Decision Models). وقد أظهرت الأبحاث الأخيرة التي صدرت عن arXiv كيف أن التسميات تلعب دوراً مهماً في هذا السياق.

تعمل نماذج اتخاذ القرار المطبوعة على معالجة أسئلة محددة تتعلق بالمدخلات من خلال إعطاء احتمال لكل خيار يتم تعريفه من قبل المستخدم. كل خيار مرتبط بتسمية قصيرة وتعريف مكتوب، حيث يحدد المطور القاعدة التي يجب أن يتبعها النموذج. تم تقديم هذه الواجهة من قبل Jev، ومع تقدم التطبيقات المفتوحة، لا يزال نفس المبدأ مستمراً عند استخدام نماذج اللغة كأداة تصنيف.

تتناول الدراسة فتح تطبيقات مفتوحة وزنتها، وتطرح سؤالاً حول ما إذا كانت الاحتمالات تتبع التعريفات أو التسميات. وقد أطلق على التفضيل للتسمية اسم "انحياز تسميات الخيارات" (Option-label Bias). عبر أربعة نماذج اتخاذ قرار مطبوعة مفتوحة الوزن، ونتائج ثلاث طرق مختلفة لقراءة الإجابة، وجميع المهام التصنيفية المُقدمة، أظهرت النتائج أن الإجابات تميل غالباً إلى التسميات.

ومن المثير للاهتمام، أنه حذف كل تعريف لن يؤثر على دقة النتائج. وبينما تدعم التعريفات طريقة عمل مستقلة، فإن التغيير في تسمية الخيارات يزيد من الدقة بشكل ملحوظ. نموذج واحد، وهو von، يبقى غير متأثر، بينما تختلف شيفرتا البرمجة اللتان يتبعانه في تعبير واحد فقط، مما يؤثر على النتائج النهائية.

تُظهر هذه النتائج أهمية فهم كيفية عمل نماذج اتخاذ القرار وضرورة تطويرها باستمرار. إذاً، كيف يمكنك تطبيق هذا الفهم على نماذجك الخاصة؟
يرجى مشاركتنا أفكاركم في التعليقات!