في ظل التطورات المتسارعة في عالم الذكاء الاصطناعي، يُكّمن التحدي الكبير الذي يواجه نماذج اللغة الضخمة (Large Language Models) المُعتمدة كعوامل مستقلة في سير العمل المؤسسي في كيفية التعامل مع المعلومات الضخمة. فمع تزايد ردود الأفعال من أنظمة المؤسسات، ظهرت مشاكل متعلقة بتحجيم السياق، مما يؤدي إلى أخطاء تؤثر على دقة النتائج وارتفاع تكاليف الاستدلال.

من خلال دراسة حالة مثيرة تتعلق بآلة الفواتير في نظام Microsoft Dynamics 365 Finance and Operations، تم استخدام أدوات بروتوكول السياق (Model Context Protocol) لتحديد وتقييم أداء أربع تكوينات مختلفة من نموذج GPT-5 على معيار إنفاقي مؤلف من 50 مهمة فندقية.

شملت التجارب تكوينات مختلفة، مثل عدم استخدام نموذج المستخدم، الاحتفاظ بسجل كامل من المحادثات، تقليم السياق إلى آخر خمسة أزواج من ردود الفعل، وتقنيات تلخيص للنتائج.

تشير النتائج المثيرة إلى أن معالجة السياق بشكل متزن يسهم في تحسين دقة الفواتير. بينما لم يحقق النموذج الذي يعتمد على عدم وجود نموذج المستخدم إلا نسبة 8% من الفواتير الدقيقة، تمكن الاحتفاظ بالتاريخ الكامل من رفع النسبة إلى 71%، لكن بتكلفة تشغيل هائلة.

وفي مقابل ذلك، أظهرت الطرق المتقدمة في تقليم السياق إلى آخر خمس تفاعلات وتحسينات نتيجة تلخيص النصوص نتائج مثيرة: حيث تحققت نسبة دقة مقدارها 91.6% مع استخدام أقل للرموز وأوقات تشغيل أقل، مما يدل على قوة التقنيات المختلفة في رفع كفاءة الأداء.

هذه النتائج تفتح آفاقًا جديدة لفهم كيفية تحسين الأساليب المستخدمة في نقاط الاتصال الخاصة بالنموذج، مما يساهم في تعزيز كفاءة نماذج اللغة الضخمة وجعلها أداة فعالة في عالم التسيير المالي. هل تتفقون مع هذه الاستراتيجية؟ شاركونا آراءكم في التعليقات!