في عالم الذكاء الاصطناعي، تُعتبر مشاكل تحسين التركيب من بين أكثر التحديات تعقيدًا، حيث تُظهر الأبحاث أن البشر غالبًا ما يتوصلون إلى حلول جيدة لتلك المشاكل، حتى عندما تواجهها الخوارزميات المتقدمة بكل تعطيل.

تتمثل إحدى هذه المشاكل المعروفة في "مشكلة البائع المتجول" (TSP)، حيث يبدو أن الإنسان قادر على تطوير جولات قريبة من المثالية بسرعة، رغم القيود الصارمة على الوقت والحساب. لكن، ما الذي يجعل تلك الجولات بشرية، وكيف يمكن لهذه الحلول أن تُتعلم؟

تناولت دراسة حديثة هذه الأسئلة من خلال تحقيق شامل في أداء البشر في مشكلة (TSP) في الفضاء الإقليدي. تم جمع حلول بشرية لمجموعة واسعة من حالات (TSP) ومقارنتها مع نماذج عصبية تعتمد على الشبكات التكرارية (Pointer Networks) التي تستخدم آلية توجيه قائمة على الانتباه لتحديد التوزيعات الاحتمالية للجولات الممكنة.

تم تدريب هذه الشبكات تحت أهداف متعددة، بما في ذلك التعلم المعزز (RL) والتعلم الخاضع للإشراف من الجولات المثالية والجولات البشرية، بالإضافة إلى تحسين التعلم المعزز بعد التدريب على البيانات المثالية.

لم تكن جولات البشر مماثلة للجولات المثالية تمامًا، بل كانت تحتل حوضًا هندسيًا قريبًا من المثالية، حيث تشترك في العديد من الخصائص الهيكلية مع الحلول المثالية، مع الحفاظ على انحرافات محددة تنبع من السلوك البشري.

أفضل تفسير لجولات البشر لم يكن مجرد تقليد مباشر للجولات المثالية، بل نموذج تم تدريبه مسبقًا على الجولات المثالية، مما تم تحسينه بواسطة التعلم المعزز، وتم تفسيري من خلال أخذ عينات من "الأفضل من N".

تشير هذه النتائج إلى أن الحلول البشرية قد تنبثق من مزيج من التعلم الموجه المنظم، والتعلم المعزز، والبحث في وقت الاختبار، مما يعكس المبادئ الحاسوبية التي تقوم عليها العديد من أنظمة الذكاء الاصطناعي الحديثة.

في النهاية، كيف تفسرون قوة التفكير البشري في عالم مملوء بالتكنولوجيا؟ شاركونا آراءكم في التعليقات!