في عصر يتزايد فيه استخدام نماذج اللغة الكبيرة (Large Language Models) كعملاء مستقلين في مجالات متعددة مثل التفكير الذاتي، وتوليد المحتوى المدعوم بالمعلومات، والاكتشاف العلمي، تظهر تحديات جديدة تتعلق بالتشغيل مع معلومات محدودة. هذه الحالة، المعروفة باسم الرؤية الجزئية، تفرض على هذه النماذج اتخاذ قرارات بناءً على مشاهدات محدودة بدلاً من سياقات بيئية شاملة.

تعرض هذه الدراسة الجديدة إطار NeSyFS، الذي يدمج بين التفكير السريع والبطيء. الإطار يشبه كيفية معالجة البشر للمعلومات، حيث يقوم بتقسيم الأنشطة إلى مستويات سريعة للمعلومات التفاعلية وبطيئة للتخطيط الواعي. وهذا يساهم في تحسين القدرة على اتخاذ القرارات في ظل عدم اليقين، وهو ما يعتبر تحديًا كبيرًا لنماذج اللغة الكبيرة.

يستخدم إطار NeSyFS مخطط المعرفة (Knowledge Graph) لتمثيل الحالة الاعتقادية، حيث يقدم أطرافًا كنقطة انطلاق لكل وحدة من وحداته. تتسم وحدة التفكير السريع بالقدرة على اتخاذ ردود فعل سريعة، بينما تنفذ وحدة التفكير البطيء تخطيطًا مدركًا للمخاطر استنادًا إلى هيكل عالي المستوى يعتمد على خوارزمية مونت كارلو المتسلسلة المُلفَّقة.

وللتغلب على مشكلة تباين أهداف المهام، تم تضمين وحدة تعكس تصرفات التفكير السريع، مما يسمح بالتبديل إلى التفكير البطيء في الحالات التي تفشل فيها التصرفات التفاعلية بشكل متكرر.

أظهرت التجارب على ثلاثة معايير ممثلة، وهي ALFWorld وWebshop وScienceWorld، مزايا ملحوظة مقارنة بالأساليب السابقة، مما يفتح أمامنا آفاقًا جديدة لتحسين أداء نماذج اللغة الكبيرة في حالات عدم اليقين.

هل تعتقد أن استخدام أطر مثل NeSyFS سيمهد الطريق لحلول أكثر كفاءة في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!