في عالم الذكاء الاصطناعي، تمثل نماذج اللغة الكبيرة (Large Language Models) ثورة في طريقة تفاعلنا مع التكنولوجيا. ومع ذلك، يمكن أن تتعرض هذه النماذج لتحديات كبيرة عندما يتعلق الأمر بتخصيصها لمستخدميها. في دراسة جديدة أُجريت وتم نشرها عبر arXiv، قام الباحثون بفحص الفجوة في أداء نماذج اللغة الكبيرة عند استخدام بيانات بشرية مقارنة بالبيانات الاصطناعية.

جمع الفريق 550 محادثة بشرية و 5,949 حكمًا متعلقة بخصائص المستخدم عبر ثلاث مراحل من التخصيص: أولا تحليل المحادثات لاستخراج الخصائص، ثم ربط الخصائص ذات الصلة بالإعدادات الجديدة، وأخيرًا دمج هذه الخصائص في استجابات مخصصة.

اتضح أن النماذج تواجه صعوبات في استخراج الخصائص من المحادثات البشرية، وغالبًا ما تختلف مع أحكام البشر حول الخصائص ذات الصلة. بالإضافة إلى ذلك، أظهرت النماذج أنها لا تستطيع توليد استجابات مخصصة يمكن أن يُحكم عليها بأنها أفضل من الاستجابات العامة.

لتعزيز الأداء، اقترح الباحثون تدخلين تدريبيين خفيفين يهدفان إلى تقريب تقييم التخصيص الآلي من البيانات البشرية في المرحلتين الأولى والثانية. على الرغم من ذلك، في المرحلة الثالثة، أظهرت نماذج المكافآت التي تم تعلمها ارتباطًا محدودًا فقط مع تقييمات البشر، مما يشير إلى صعوبة نمذجة تقييمات الجودة المتعلقة بتخصيص يعتمد على البشر.

قدمت هذه البيانات أساسًا لدراسة كيفية استخراج المعلومات من المستخدمين وانتقائها ودمجها بطرق تعتبر مفيدة بالنسبة لهم. هل تعتقد أن نماذج الذكاء الاصطناعي يمكن تحسينها لتناسب احتياجاتنا بشكل أفضل؟