في السنوات الأخيرة، شهدنا تطورات ملحوظة في مجال النماذج اللغوية الكبيرة (Large Language Models)، وواحدة من أبرز الابتكارات هي تقنية LeafSkill. تعتمد هذه التقنية على التعلم من التجارب السابقة لتحسين الأداء في إنجاز المهام الطويلة المعقدة.

تعمل نماذج LLM التقليدية عبر تقسيم المهام إلى مهام فرعية، حيث تقوم بتحديد التعليمات وتحويلها إلى إجراءات قابلة للتنفيذ. لكن، تظل مشكلة تكرار استخدام نفس النموذج في كل مرة لحل نفس التعليمات قائمة. وهنا تأتي فكرة LeafSkill، التي تتيح استغلال المعرفة المكتسبة من المهام السابقة عبر تجميع المهارات والقدرات ضمن نموذج خارجي، مما يساهم في تسريع الأداء وخفض الاستهلاك.

تحتوي LeafSkill على طبقة خارجية تقوم بجلب التجارب ذات الصلة بالمهام السابقة، حيث يتم ربط قوالب النقل الخاصة بالإجراءات بالكيانات الحالية والإجراءات المقبولة. بمساعدة خوارزمية اختيار خفيفة الوزن بقدرة 1.7 مليار، يمكن للنموذج تحديد الإجراءات المناسبة أو إعادة توجيه المهمة الفرعية إلى النموذج الأصلي.

أظهرت النتائج التجريبية أن LeafSkill قادرة على إتمام 137 من أصل 200 مهمة مقارنة بـ 121 لمنافسها ReCAP، مما يمثل نسبة نجاح تصل إلى 68.5% مقابل 60.5%. كما أن التحسينات تمخضت عن تقليل الاستدعاءات بنسبة 14.08%، وهو ما يعكس فعالية هذه التقنية في تقليص استهلاك الموارد وتحسين الكفاءة بشكل عام.

تعد LeafSkill مثالاً رائعاً على كيفية استخدام طرق جديدة لإعادة استخدام التجارب السابقة، مما يعزز من قدرة النماذج اللغوية الكبيرة على إتمام المهام المعقدة بشكل أكثر فاعلية. هل تعتقد أن هذه التقنية ستحدث ثورة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!