تحويل التعليمات الطبيعية إلى خطط موثوقة: ثورة التعلم المعزز المتعدد الأدوار في التخطيط الرمزي

في عالم الذكاء الاصطناعي، تتطلب عملية التخطيط الموثوق تحويل التعليمات المكتوبة بلغة طبيعية إلى مواصفات رمزية قابلة للتنفيذ. ولكن، تظل نماذج اللغات الكبيرة (Large Language Models) ضعيفة دون وجود ملاحظات مكلفة مستندة إلى PDDL. هنا تأتي البحث الجديد الذي يدرس كيفية تعلم تحويل اللغة الطبيعية إلى صيغ PDDL موثوقة فقط باستخدام ملاحظات الحلول، دون الحاجة إلى أمثلة مكتوبة من البشر.

في هذا السياق، تم اقتراح إطار عمل للتعلم المعزز المتعدد الأدوار حيث يقوم نموذج لغوي واحد بدور الممثل، القاضي، والمحرر. يقوم الممثل (Actor) باقتراح مواصفات PDDL، بينما يقدم القاضي (Judge) إشارة جودة مستندة إلى المعايير الخاصة بالحلول، ويقوم المحرر (Editor) بإجراء تحسينات دقيقة مستندة إلى تشخيص محدد.

عندما تم اختبار هذا الاقتراح على مجموعة بيانات PlanBench، أظهرت الطريقة المقترحة تحسناً ملحوظاً في معدل النجاح بلغ 70.8% مقارنة بـ 35.5% باستخدام تقنيات سابقة، مع نجاح موثوق قدره 66.3% وتقليل التغير الدلالي إلى 6.4%. هذه النتائج توضح كيف يمكن ترتيب ملاحظات الحلول إلى أدوار إنتاج، تحقق، وإصلاح من أجل تحقيق تخطيط رمزي أكثر موثوقية ومن دون الحاجة إلى تدوين مماثل.