شهدت السنوات الأخيرة تقدمًا هائلًا في قدرة نماذج اللغات الضخمة (LLMs) على الاستنتاج. ومع ذلك، كثيرًا ما تُظهر عمليات الاستنتاج في تلك النماذج حالة من عدم اليقين، حيث تتوالد فروع متباينة في كل خطوة استنتاجية حتى مع تقديم نفس المدخلات. وقد تتضمن بعض تلك الفروع استنتاجات غير منطقية تمامًا.

في ورقة بحثية جديدة، تم اقتراح طريقة GUT - المستندة إلى نظرية تعقيد الرسوم البيانية - لاستكشاف عدم اليقين في استنتاجات LLMs. تعتمد فكرة GUT الأساسية على توصيف الفروع المحتملة لكل سلسلة استنتاجية باستخدام رسم بياني دوري غير دوري، مما يضمن تغطية جميع الفروع المحتملة ضمن فضاء الرسم البياني.

وتحقيقًا لهذه الفكرة، تم تطوير وحدتين من GUT: وحدة قياس عدم اليقين (GUT-Q) ووحدة تحسين عدم اليقين (GUT-O). تقوم وحدة GUT-Q بقياس عدم اليقين في استنتاجات LLM من خلال تقريب تعقيد فضاء الاستنتاج باستخدام تعقيد الرسوم البيانية. بينما تقوم وحدة GUT-O بتنفيذ تحسين عدم اليقين عن طريق اعتبار عدم اليقين السلبي كدالة مكافأة في التعلم المعزز.

أظهرت النتائج التجريبية التي تم إجراؤها على أربعة نماذج LLM وخمسة مجموعات بيانات فعالية أسلوب GUT بشكل ملحوظ.

أمام هذا التطور الرائع في تقنية قياس وتحسين استنتاجات الذكاء الاصطناعي، هل تعتقد أن هذه الأساليب الجديدة ستغير بالفعل كيفية تعاملنا مع نماذج الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.