إصلاح فعالية الطلبات: تقنية جديدة لتحسين دقة النماذج الهجينة

تمثل تقنية تحسين الطلبات الجديدة التي تُعرف باسم ESPO (تحسين الطلبات المبنية على الأخطاء) خطوة ثورية في تحسين أداء نماذج معالجة اللغة الطبيعية. تعاني التقنيات التقليدية مثل GEPA من مشكلة "تضخم الطلبات" حيث يؤدي كل تكرار إلى إضافة قواعد وشروط، مما يجعل النصوص أطول بثلاث مرات دون زيادة دقيقة.

تستند مشكلة التضخم إلى ثلاثة نقاط ضعف رئيسية وهي: قلة ملاحظة الأخطاء، ضيق تنوع البحث، وعدم موثوقية الاختيار. وفي هذا السياق، يقدم الباحثون تقنية ESPO التي تقسم عملية تحسين الطلبات إلى ثلاث مراحل رئيسية:

1. **التشخيص (Diagnose)**: تجمع هذه المرحلة جميع الأخطاء التدريبية ضمن أنماط هيكلية في جولة واحدة.
2. **الاقتراح (Propose)**: تُنتج هذه المرحلة مرشحات عبر أربع استراتيجيات تكميلية، كل منها يحمل تحيزات مستقلة.
3. **الاختيار (Select)**: تستخدم تقنية اختيار الاستقرار لتطبيق تحسين موثوق.

تشير النتائج التجريبية على سبعة معايير معروفة في معالجة اللغة الطبيعية مثل Tweet وMMLU وGSM8K إلى أن تقنية ESPO تفوقت بفارق 3.76 نقطة في الدقة على التقنية السابقة GEPA. ليس ذلك فحسب، بل تمكنت ESPO من إنتاج طلبات أقصر بنسبة 47%، مما يسهل عملية استخدامها.

علاوة على ذلك، أظهرت التجارب عبر نماذج طلابية متعددة أن ESPO تحقق أعلى دقة متوسطة على جميع النماذج، مع فارق ملحوظ على نموذج Qwen3.

تعتبر هذه التقنية نواة جديدة تعزز من فعالية الذكاء الاصطناعي، مما يفتح آفاقًا جديدة للبحث والتطوير في هذا المجال.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحل مشاكل النماذج الحالية؟ شاركونا أفكاركم في التعليقات.