في عالم الذكاء الاصطناعي، تزايدت شعبية نماذج اللغات الضخمة (Large Language Models - LLMs) كأدوات تفاعلية لحل المشكلات التقنية. لكن، ماذا يحدث عندما يقدم المستخدمون أوصافًا غير مكتملة أو تفسيرات قابلة للتصديق ولكن غير مثبتة؟ هنا تظهر مشكلة تُعرف بالفطنة الموجهة من قبل المستخدم، حيث تميل هذه النماذج إلى تعزيز فرضيات المستخدم بدلاً من استكشاف تفسيرات بديلة، وهذا قد يؤدي إلى حلول غير دقيقة.

في هذا السياق، يقدم البحث الجديد منهجية مبتكرة تُعرف بـ LLM-as-an-Investigator، والتي تعتمد على جمع الأدلة أولاً لتشخيص المشكلات بشكل موثوق. تم تطوير هذه المنهجية من خلال إنشاء وكيل تحقيق الحلول، الذي يقوم بتقدير غموض الوصف الأولي للمشكلة، وتوليد فرضيات مرشحة، وطرح أسئلة توضيحية مستهدفة، وتحديث احتمالات الفرضيات بعد كل إجابة.

بدلاً من تقديم استجابة فورية، يستمر الوكيل في التحقيق حتى يصبح أحد التفسيرات مرجحًا بشكل أكبر من بدائلها. لتقييم هذه المنهجية، تم بناء معيار من خيوط منتديات فنية تم حلها من مجالات ميكانيكية وكهربائية وهيدروليكية.

تم استخدام خط أنابيب تقييم ثلاثي الوكلاء، حيث يقوم وكيل استخراج المشكلة-الحل بتحويل الخيوط المحلولة إلى حالات منظمة، بينما يحاكي وكيل تقييم الحقيقة الأرضية المستخدم مع إخفاء الحل المعروف، ويحاول المساعد المختبر استعادة الحل من خلال الحوار. أظهرت التجارب تفوق النموذج المقترح على المساعدين القياسيين ونماذج التفكير من حيث الدقة التشخيصية، كما أظهرت أن بروتوكول جمع الأدلة أولاً يساعد في تقليل التحيزات المحادثة التي تنتج عن تدخلات المستخدمين.

مع استمرار تقدم هذا المجال، يبدو أن الطرق الإبداعية مثل هذه ستسهم بشكل كبير في تحسين تجربة المستخدم وزيادة دقة حلول المشكلات.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!