في ظل تزايد استخدام أنظمة الذكاء الاصطناعي غير القابلة للاستنساخ (Black-box AI)، بما في ذلك الوكلاء المستندين إلى نماذج أساسية، أصبحت الحاجة لتقييم قدراتها بشكل موثوق ضرورة ملحة. لذا، تم تقديم منهجية جديدة تعرف بمونت كارلو للاستعلام النشط (Monte Carlo Query Synthesis - MCQS)، التي تهدف إلى تعلم نماذج قدرات رمزية عشوائية لأنظمة الذكاء الاصطناعي.

تقوم منهجية MCQS بتوصيف القدرات كنموذجات على شكل توزيعات احتمالية شرطية تتمحور حول النتائج. يتم صياغة التعلم الخاص بالقدرات كمشكلة تعلم نشطة تعتمد على السياسات. تستخدم هذه الطريقة بحث شجرة مونت كارلو (Monte Carlo Tree Search) لصياغة استعلامات ترفع من قيمة التمييز بين نماذج الفرضيات المتطرفة: الأدنى والأعلى المرتبطة بأسوء وأفضل السيناريوهات المتوافقة مع الملاحظات.

عند تنفيذ هذه الاستعلامات، يتم الحصول على مسارات حالة-عمل غنية بالمعلومات، مما يؤثر بشكل إيجابي على تسريع عملية التعلم من خلال التخلص من الفرضيات المتناقضة. وقد ثبتت خصائص الموثوقية، والكمال، والتقارب تحت افتراضات القياسية للتطبيق والعينات.

تُظهر التجارب التي أجريت على عدة أنظمة ذكاء اصطناعي غير منظورة أن MCQS تتفوق في التعلم الشامل لنماذج القدرات بشكل أكثر كفاءة من استراتيجيات الاستعلام التقليدية. هل أنتم مستعدون لاستكشاف هذه الطريقة المبتكرة التي قد تحدث ثورة في فهم قدرات الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!