في عالم الذكاء الاصطناعي، تعد نماذج اللغات الضخمة (Large Language Models) من أهم التقنيات التي ساهمت في تعزيز التفكير الفوري وتحسين أساليب اتخاذ القرار. ولكن ما يحدث عندما تعتمد قرارات حاسمة على معرفه غير مسجلة؟ انتبه! فهنا تظهر مشكلة ما يعرف بـ "الوهميات" التي تعاني منها تلك النماذج.

تقدم الورقة البحثية الحديثة مقاربة جديدة لمشكلة الوهميات عبر تقديم إطار هندسي يسعى إلى تقليل هذه الظواهر. تحت عنوان "الهندسة المسببة للنماذج العقلية من خبراء المجال" (Causal Prompt Engineering for Expert Mental Models)، يُقترح استخدام نموذج عقلي خبير (Expert Mental Model) يقوم بتشفير منطق اتخاذ القرار لخبير في مجال معين، مما يمكن نماذج اللغات الضخمة من الحصول على ما لا يمكن استرجاعه بالطرق التقليدية.

من خلال نظرية الدوال البوليانية (Boolean Functions) والدوال متعددة القيم (k-valued Functions)، تم تطوير عمليات مسبقة تدعم نماذج اللغات الضخمة، تشمل صياغة العوامل، وتوحيدها، وهيكلة هرمية تحافظ على الترتيب المتزايد. هذه العمليات تؤدي إلى خوارزمية بناء نموذج عقل خبير تتيح تقليل عدد الاحتمالات من ملايين الخيارات إلى مجموعة تحكم معقولة يمكن للبشر التعامل معها.

أيضاً، يتناول البحث كيفية قياس وهميات نماذج اللغات الضخمة بشكل رسمي لأول مرة عندما تكون المعرفة المكتسبة بالكامل ضمنية. تشير التحليلات إلى أن معدلات الخطأ المشروطة يمكن أن تقترب من 100% في حالة عدم تطابق محتمل بين نماذج اللغات الضخمة والخبير، وهو ما لم يكن واضحًا في طرق التقييم السابقة.

لقد تم التحقق من جدوى هذا النهج عبر مجالات تطبيق متعددة مثل تقييم مقترحات المنح، وتصميم الأمن السيبراني، والتشخيص السريري.

يعتبر هذا التطور خطوة هامة نحو تحقيق دقة أعلى في القرارات المدعومة بالذكاء الاصطناعي، ويعد جسرًا نحو تقليل الفجوات بين المعرفة البشرية والمتطلبات الحاسوبية.

ما رأيكم في هذا التطور الثوري؟ شاركونا في التعليقات.