في عالم الذكاء الاصطناعي، أصبحت نماذج اللغة التوجيهية (Instruct LLM) أساسًا في تطوير تطبيقات متقنة تتعامل مع المعرفة الحديثة والمحددة. ومع ذلك، كانت هناك تحديات تحتاج إلى حلول مبتكرة لضمان دقة هذه النماذج. هنا تأتي أهمية تقنية DKL (تعلم المعرفة غير المرتبطة) كمنهج جديد في تحسين أداء نماذج التعلم.

تقنية RAG (استرجاع المعرفة) تعد واحدة من الحلول المتداولة لدمج المعرفة المحددة في نماذج اللغة، ولكنها ليست خالية من العيوب، حيث تتسبب حالات الاسترجاع غير الدقيقة في حدوث التخيلات. الحلول التقليدية مثل RAFT وPA-RAG تعزز عملية RAG، ولكن تتطلب عادة إنتاج كميات هائلة من بيانات الأسئلة والأجوبة الاصطناعية لتغطية قاعدة البيانات بأكملها. وفي محاولة لمعالجة هذه التحديات، جاء مفهوم DKL.

تقنية DKL تعمل على إجراء تدريب مسبق موسع (EPT) على نموذج اللغة الأساسي بدلاً من نموذج اللغة التوجيهي، مما يسمح بدمج المعرفة الجديدة دون التأثير على قدرة النموذج في اتباع التعليمات. من خلال دمج الأوزان المعرفة الجديدة مع نموذج اللغة التوجيهي، تسهم DKL في تحسين دقة عمليات الاسترجاع بشكل ملحوظ. وقد أظهرت النتائج التجريبية أن DKL عززت دقة RAG من 54.17% إلى 79.26% في حالات الفشل في الاسترجاع، مما يدل على التفوق على الطرق السابقة مع تقليل كمية بيانات التدريب المطلوبة.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي، فإن تقنية DKL تعد واحدة من الاتجاهات الواعدة التي يمكن أن تحدث فارقًا كبيرًا في كيفية تعامل نماذج اللغة مع المعلومات والتعلم. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.