في عالم الذكاء الاصطناعي المتقدم اليوم، يظهر تفاعل مثير بين نماذج اللغات الضخمة (Large Language Models) والبشر، حيث يتم استخدام هذه النماذج للتعامل مع الاستفسارات الروتينية مع تأجيل الحالات المعقدة لمراجعة الخبراء. لكن ماذا يحدث عندما تكون القدرة الاستيعابية للخبراء محدودة؟ هذا هو السؤال المهم الذي يدفعنا لاستكشاف كيفية اتخاذ القرارات في ظل ظروف الضغط.

في هذا السياق، تم صياغة مسألة اتخاذ القرار كعملية متتابعة عبر الإنترنت، حيث يقوم النظام بمراقبة إشارة الثقة التي توفرها إجابات نماذج اللغات الضخمة. يتعين على النظام تقرير ما إذا كان يجب إصدار الإجابة أم تأجيل الاستفسار إلى خبير مقيد في طاقته. إن التفاعل بين سرعة الاستجابة وموثوقية الإشارة يعد أمراً حاسماً، حيث تتطلب الموثوقية التعلم من ردود الفعل التي يقدمها الخبراء، مما يزيد من الصعوبة نظرًا لأن المعلومات المتاحة قد تكون انتقائية ومتعطلة بفعل الطوابير.

تقدم المقالة خوارزمية مبتكرة تُدعى KL-PBD، التي تستخدم حدود الثقة الأقل لكولباك-ليبلر على المعايير المجهولة لزيادة دقة قرارات التأجيل. مع مستويات ثقة متعددة وأفق زمني معين، تحقق KL-PBD نتائج مبهرة بتقليل الأخطاء بنسبة معقولة عند مقارنة تدفقات العمل.

نختتم بحثنا بالتحقق من فاعلية استراتيجيتنا على مجموعات بيانات حقيقية تتضمن GSM8K وNuminaMath وMedMCQA، مما يظهر كيف أن نماذج اللغة مثل Qwen يمكن أن تُحسّن من هذه العمليات.

ما رأيكم في دمج الذكاء الاصطناعي مع التعليم؟ هل تعتقدون أن استخدام نماذج اللغات الضخمة يعد حلاً فعالاً في مواجهة العقبات التي تطرأ عند التعامل مع خبراء محدودي القدرة؟ شاركونا آرائكم في التعليقات!