في عالم الذكاء الاصطناعي، حيث تتزايد أهمية نماذج اللغة الكبيرة (LLMs) بسرعة، تمثل التطورات الجديدة في التعلم التفاعلي أحدث الخطوات نحو تحسين قدراتها. أعلن الباحثون عن إطار ILR (Interactive Learning for Reasoning) الذي يُمتّع وكالات التعلم المتعددة (MAS) بقدرات تفاعلية قد تزيد من فعالية عملية التفكير المستقل.

تستخدم الأنظمة الحالية طرق تعلم متعددة الوكلاء التي تعتمد على بيئات تدريب تفاعلية لتعزيز التعاون بين LLMs. لكن هذه الأنظمة غالبًا ما تعاني من ضرورة إعادة تنفيذ MAS أثناء الاستدلال، وهو ما لا يتماشى مع الطرق البشرية في تنمية المهارات العقلية. وبهذا، يسعى ILR إلى محاكاة التفاعل البشري من خلال إدخال عنصرين رئيسيين: التفاعل الديناميكي ومعايرة الإدراك.

#### التفاعل الديناميكي

يعمد التفاعل الديناميكي إلى اختيار استراتيجيات تعاون أو تنافسية بشكل تكيفي، اعتمادًا على صعوبة السؤال وقدرة النموذج. وهذا يتيح للـ LLMs تبادل المعلومات بفعالية عبر منهجية Idea3، التي تعكس مناقشات البشر وتساعد في الوصول إلى الحلول النهائية المُرضية.

#### معايرة الإدراك

أما في سياق معايرة الإدراك، فيقوم ILR باستخدام تحسين السياسة النسبية الجماعية (GRPO) لتدريب LLMs من خلال دمج خصائص توزيع المكافآت مما يُساعد في تعزيز تماسك التفاعلات بين الوكلاء.

تم تقييم فعالية ILR عبر ثلاثة نماذج مختلفة وبمقاييس متنوعة، حيث أثبتت النتائج وجود تحسن بنسبة تصل إلى 5٪ مقارنة بأساليب التعلم الأحادي، مما يشير إلى أن Idea3 يُعزز من قوة النماذج الأقوى خلال عملية الاستدلال المتعددة الوكلاء. بالإضافة إلى ذلك، أظهرت الأنواع الديناميكية من التفاعل تحسينات مقارنة بالاستراتيجيات التعاونية أو التنافسية البحتة.

إن إبداعات التعلم التفاعلي تمثل نقطة تحول ملهمة في عالم الذكاء الاصطناعي، فما رأيكم في هذا التطور؟ هل تعتقدون أنه سيكون له تأثير بعيد المدى على التعلم المستقل لـ LLMs؟ شاركونا آراءكم في التعليقات!