في عالم الذكاء الاصطناعي، تمثل نماذج الرؤية-اللغة-العمل (VLA) تقدمًا كبيرًا في قدرتها على التعلم والتعميم. ومع ذلك، لا تزال هذه النماذج تعاني من قصور عندما يتعلق الأمر بالتوقع الفعّال للإخفاقات وطلب المساعدة من المشرفين البشريين. يأتي هنا دور إطار التعلم الجديد المعروف باسم **INSIGHT**، الذي يهدف إلى توفير آلية استبطانية مبتكرة تعزز قدرة هذه النماذج على التعرف على نقاط الضعف.

يعمل إطار INSIGHT على استغلال إشارات عدم اليقين على مستوى الرموز، مثل الإنتروبي (entropy) والتوقعات اللوغاريتمية (log-probability)، لتوقع متى ينبغي للنموذج طلب المساعدة. من خلال استخدام نموذج أساسي يُعرف باسم **π_0-FAST**، يتم استخراج تقييمات عدم اليقين المعتمدة على مبدأ ديريشليه (Dirichlet)، مما يجعل النظام قادرًا على التعرف بشكل أكثر دقة على الحالات التي تتطلب تدخل إنساني.

تمت دراسة أنظمة الإشراف المختلفة، سواء كانت قوية أو ضعيفة، وتم تقديم مقارنات شاملة بين أداء النموذج في المهام التي تتطابق مع بيانات التدريب وتلك التي تختلف عنها. تُظهر النتائج وجود تجانس بين دقة التوقع وجودة البيانات المستخدمة. إذ تسمح التسميات القوية للنموذج بالتقاط ديناميات عدم اليقين بشكل مفصل، بينما توفر التسميات الضعيفة، على الرغم من كونها أكثر ضوضاءً، دعمًا تنافسيًا في ظروف معينة.

الأهم من ذلك أن الدراسة تثبت أن نمذجة تطور إشارات عدم اليقين على مستوى الرموز تقدم قدرات تنبؤية تفوق بكثير تقييمات المستوى الثابت. فتح هذا البحث آفاقًا جديدة نحو التعلم النشط وتقليل الأخطاء في الوقت الحقيقي من خلال تدخل إنساني منتقى.

هل أنتم مستعدون لاستكشاف مستقبل نماذج الذكاء الاصطناعي القابلة للتكيف؟ شاركونا آراءكم في التعليقات!