في عالم الذكاء الاصطناعي وتعلم الآلة، تُعتبر القيمة الشابلية (Shapley Value) واحدة من الأدوات الرئيسية لتقييم المساهمات الفردية في النماذج، لكنها تواجه بعض القيود عند تطبيقها على بيانات حقيقية تتميز بتعقيدها. مع إدخال القيمة الشابلية العامة المعتمدة على الأولويات (GPASV)، نستطيع تجاوز هذه القيود واستكشاف تقييمات أكثر دقة.

تتطلب الطرق التقليدية للقيمة الشابلية أولوية ثنائية الاتجاه بين العناصر، مما يصعب تطبيقها على البيانات الحقيقية مثل تفضيلات البشر المجمعة والمقارنات متعددة المعايير. ومع ذلك، تقدم القيمة الشابلية العامة (GPASV) طريقة مبتكرة تعتمد على الرسوم البيانية ذات الأولويات الموجهة، مما يسمح بتقييم الأخطاء في الترتيب بدلاً من منعها.

تم تطوير GPASV من خلال أطروحة أكاديمية قوية، وتتضمن أساليب حسابية مرتبطة بها، مما يجعلها اداة قوية في تقييم الفرق في النماذج، مثل النماذج اللغوية الكبيرة (Large Language Models). هذا الابتكار يتطلب منهجية دقيقة توازن بين الأولويات الفردية والأولويات الزوجية، مما ينتج عنه تقييمات مختلفة لنفس البيانات.

أظهرت التجارب على الرسوم البيانية لتفضيلات Chatbot Arena أن الطريقة ليست سلسة أو بسيطة، إذ أن تحديد الأولويات بشكل صحيح هو عامل أساسي في الحصول على قيم دقيقة.

مع تقدم الذكاء الاصطناعي، يبقى السؤال: كيف ستؤثر هذه التقنيات الجديدة على مستقبل تقييم البيانات؟