في خطى هائلة نحو تحسين الكفاءة التقنية في مجال الذكاء الاصطناعي، ظهر NTILC (Neural Tool Invocation via Learned Compression) كإطار مبتكر لاستدعاء الأدوات. يعتمد نموذج NTILC على نماذج اللغة التي تحتاج إلى استخدام قوائم كبيرة من واجهات برمجة التطبيقات (APIs) والوظائف، مما يتطلب توفير مواصفات كاملة في التعليمات الخاصة بالنموذج، مما يؤدي بصورة متزايدة إلى تكاليف عالية وتأخير في الزمن.

تكمن المشكلة التقليدية في أن إدراج جميع تفاصيل الأدوات مباشرة ضمن التعليمات يؤدي إلى استهلاك كبير في إجمالي السياق المتاح. ومع زيادة عدد الأدوات، تتحقق عدم دقة في الاختيار، ويرتفع زمن التأخير، وهذا يرجع إلى تداخل الأدوات غير ذات الصلة.

لكن مع NTILC، تمكنا من حل هذه التحديات بفضل فكرة جديدة. حيث يُستبدل استدعاء الأدوات التقليدي برؤية أكثر ذكاءً قائمة على استرجاع المعلومات المتعلم. يقوم NTILC بتجميع نية المستخدم ومواصفات الأداة في مساحة تجميع مشتركة، مما يسهل عملية اختيار الأداة عبر الاسترجاع الخارجي بدلًا من البحث في السياق.

تعمل نماذج اللغة بناءً على مخطط الأداة المحدد فقط، مما يسمح بتوليد حجج دقيقة ومقيدة. كما تتضمن الإستراتيجية المستخدمة هدفًا مركزيًا فريدًا يُعزز من تمييز الأدوات القابلة للاستخدام، حيث يدمج بين Circle Loss وFunctional Margin Loss على نحو يضمن فصل الأدوات التي تتسم بالتشابه الدلالي لكن تحمل توقيعات تنفيذ غير متوافقة.

فحصنا NTILC على مجموعات بيانات مختارة لاستدعاء الأدوات ووظائفها، وأظهرنا أن هذا النموذج يقلل من استهلاك سياق النموذج بأكثر من 95%، مع تقليص زمن الاستجابة بنسبة تصل إلى 74% بالمقارنة مع الأساليب التقليدية.

إن NTILC يمثل تغييرًا جذريًا في الطريقة التي نتفاعل بها مع الأدوات، مما يسهم في تعزيز كفاءة وفعالية أنظمة الذكاء الاصطناعي.