في ظل السمعة المتزايدة لنماذج اللغة الضخمة (Large Language Models)، تظل تحديات تدريس السلوكيات المرغوبة وتجنب السلوكيات غير المرغوبة قائمة. في هذا السياق، قدم الباحثون تقنية جديدة تُعرف بالتحصين الطبقي (Stratified Inoculation Prompting) والتي تهدف إلى تحسين هذه النماذج بشكل فعال.

تظهر الدراسات أن التحصين التقليدي قد يمنع السلوكيات غير المرغوبة، ولكنه في بعض الحالات قد يعيق تعلم السلوكيات المرغوبة. لذا، تم اقتراح التحصين الطبقي كحل لتلك المشكلة، حيث يعتمد على مجموعة صغيرة من الأمثلة النظيفة لضمان استمرار السلوكيات المرغوبة دون تواجد غير المرغوب فيها.

ما يميز هذا الأسلوب هو أنه يتم التركيز على هذه الأمثلة النظيفة، مما يتيح تحسين الأداء بشكل أكبر عند استخدامها مع مجموعة متنوعة من الموجهات. وقد أظهرت النتائج تقليلاً كبيرًا في التعبير عن السلوكيات غير المرغوبة أثناء الاحتفاظ بجزء أكبر من السلوكيات المرغوبة مقارنة بالأساليب التقليدية.

كما تم إدخال تقنيات مثل تخفيف البوابات الخلفية (Backdoor Dilution) وكلمة السر المغلقة للتحصين (Password-Locked Inoculation) لتعزيز نتائج الأداء ضد التحديات المتعلقة بتعلم السلوكيات غير المرغوبة.

تشير هذه النتائج إلى أن تغيير سياقات التدريب لمجموعة صغيرة ونظيفة من الأمثلة يمكن أن يُحدث تأثيرًا كبيرًا في تعزيز التعلم الانتقائي لدى نماذج الذكاء الاصطناعي.

ما رأيكم في هذه الاستراتيجيات الجديدة؟ هل تعتقدون أنها ستشكل تحولاً في كيفية تعاملنا مع نماذج الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!