في عالم الذكاء الاصطناعي، يشكل اكتشاف النوايا الجديدة (New Intent Discovery) تحديًا كبيرًا، حيث يسعى الباحثون إلى تحديد النوايا غير المعنونة التي يعبر عنها المستخدمون في محادثاتهم. حاليًا، تعتمد معظم الأنظمة على بنية متتابعة تتضمن أولاً ترميز العبارات النصية ضمن تمثيلات معلوماتية، ثم تجميع هذه التمثيلات في مجموعات تعكس النوايا، غالباً باستخدام خوارزمية K-Means. لكن هذه البنية قد تواجه صعوبة في الاستفادة من التغذية الراجعة بين هذه الخطوات، مما يؤدي إلى نتائج غير مثالية نظراً لعدم مراعاة الجوانب الدلالية الدقيقة للنصوص.

تقدم ورقة بحثية جديدة إطار عمل مبتكر يُدعى نيلك (NILC) الذي يتجاوز قيود الأساليب التقليدية. يعتمد نيلك على سير عمل تكراري، حيث يتم تحديث تعيينات التجميع بشكل دقيق من خلال تحسين مراكز المجموعات وتمثيلات النصوص المضطربة بمساعدة نماذج اللغة الكبيرة (LLMs). بدايةً، يستفيد نيلك من هذه النماذج لإنشاء مراكز دلالية إضافية تعزز السياق الدلالي للمراكز الحالية، مما يساهم في تحسين الدقة.

علاوة على ذلك، يتم استخدام LLMs لتعزيز العبارات الصعبة، التي تُعرف بأنها غامضة أو مختصرة، عبر إعادة كتابة هذه العبارات لتحسين التجميع لاحقًا. كما تُستخدم تقنيات متقدمة مثل إشارات الإشراف لتحقيق دقة أكبر في الاكتشافات النية.

تظهر التجارب الشاملة التي تمت مقارنتها مع العديد من النماذج الحديثة تحت ظروف غير مشروطة ونصف مشروطة أن نيلك يُحقق تحسينات كبيرة في الأداء على ست مجموعات بيانات متنوعة.

في النهاية، يُبرز هذا الابتكار كيف يمكن للذكاء الاصطناعي، خاصةً من خلال نماذج اللغة الكبيرة، تعزيز كفاءة أنظمة الحوار وجعلها أكثر دقة في فهم نوايا المستخدمين.