في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) أداة قوية ولكنها ليست خالية من العيوب. واحدة من التحديات الأساسية التي تواجه هذه النماذج هي إنتاج إجابات غير موثوقة، حيث غالباً ما يقع المستخدمون في فخ قبول إجابات خاطئة دون أي ضمانات إحصائية. هنا، يأتي الإطار الجديد LEC (Linear Expectation Constraints) ليحدث ثورة في كيفية معالجة هذه القضية.

يهدف LEC إلى السيطرة على مخاطر الأخطاء في التنبؤات، من خلال ضمان أن يكون مستوى خطأ التوقعات المقبولة لا يزيد عن مستوى المخاطر المحددة من قبل المستخدم. يعتمد هذا الإطار على إعادة صياغة التنبؤ الانتقائي كمسألة قرار تخضع لقيود التوقع الخطي على مؤشرات الاختيار والأخطاء، مما يسمح بالتحكم المباشر في نسبة الأخطاء المقبولة إلى إجمالي التنبؤات المقبولة.

باستخدام مفهوم التبادلية، تم إيجاد شروط كافية للتطبيق تعتمد فقط على مجموعة بيانات معينة، مما يمكّن من احتساب عتبة معينة تعزز من الاحتفاظ بالتوقعات مع الحفاظ على مستوى المخاطر. علاوة على ذلك، يمكن توسيع إطار LEC ليشمل أنظمة التوجيه ذات النموذجين: حيث إذا تجاوز عدم اليقين في النموذج الأول عتبة معينة، يتم توجيه المدخلات إلى نموذج لاحق، مما يضمن استمرار السيطرة على الأخطاء في النظام بأكمله.

تظهر التجارب التي أجريت على أسئلة المغلقة والمفتوحة، بالإضافة إلى الإجابة على أسئلة الرؤية، أن LEC يحافظ على مستوى المخاطر المحدد في التوقعات المقبولة ويعزز بشكل كبير نسبة الاحتفاظ بالمخرجات مقارنة بالطرق التقليدية. إن هذا الإطار يقدم نهجاً متقدماً يسهم في تعزيز موثوقية الذكاء الاصطناعي وفتح آفاق جديدة أمام استخداماته.