في عالم الذكاء الاصطناعي المتقدم، تأتي الحاجة إلى تحسين نماذج اللغات (Language Models) كأحد أهم التحديات التي تواجه الباحثين والمطورين. وقد تم تطوير إطار عمل جديد يدعى FORGE، يقدّم حلاً مبتكرًا لتحسين طرق التدريب. لكن كيف يتم ذلك؟

تعمل تقنية تحسين التنبيهات الآلي (Automatic Prompt Optimization - APO) على تعديل التنبيهات وفقاً لملاحظات الأداء، لكنها غالبًا ما تعتمد على البيانات التدريبية الثابتة. مما يعني أن تحسين المرونة قد يتجاهل بعض الأخطاء أو النقص في البيانات القديمة. هنا يقوم FORGE بإعادة تعريف الطريقة التي نتعامل بها مع الأخطاء.

برنامج FORGE لا يقتصر فقط على تحسين التنبيهات، بل يخلق أيضًا بيانات تدريب جديدة مستندة إلى الأخطاء التي تم التعرف عليها. أي أن كل خطأ يُعتبر إشارة مزدوجة، تدل على كيفية تعديل التنبيهات وتقديم دليل جديد للتدريب. ويستخدم FORGE أربع استراتيجيات متكاملة لتحفيز التجديد في البيانات.

الدلائل على فعالية FORGE واضحة، حيث حقق النظام تحسناً في الدرجات التجريبية بنسبة 16.52 نقطة مئوية مقارنة بالحلول التقليدية، ما يجعله يتفوق على جميع أنظمة تحسين التنبيهات المعروفة. بالإضافة إلى ذلك، جميع البيانات الناتجة من FORGE كانت لها تأثير إيجابي في اختبارات نقل المعرفة، حيث حسنت الأداء في مجموعة من التطبيقات المختلفة.

بهذا الشكل، يُظهر FORGE كيف يمكن للأخطاء والمشكلات أن تكون دليلاً مفيدًا لتحسين كل من تنبيهات النماذج وما تتعلمه هذه النماذج، مما يفتح آفاقًا جديدة للبحث والتطوير في صناعة الذكاء الاصطناعي.