في عالم الذكاء الاصطناعي، يظهر نظام جديد تحت اسم OptSkills كمبتكر في مجال تحسين المهارات. مع التفوق المستمر للنماذج اللغوية الضخمة (Large Language Models) في صياغة وحل المشكلات من اللغة الطبيعية، كان من الضروري مواجهة التحديات التي تبرز في هذه العملية.

تتعلق إحدى المشكلات الكبرى بقابلية تعميم الحلول المقدمة من النماذج الحالية، حيث تتأثر بشكل كبير بالتغيرات السطحية في السرد. وهذا ما دفع فريق البحث لتطوير OptSkills، وهو نظام يتسم بإمكانيات تعلم المهارات بناءً على الأنماط الأساسية للمشكلات بدلاً من الاعتماد على الروايات السطحية.

يتضمن هذا النظام تجميع المشكلات بناءً على أنماطها الأساسية، مما يسمح له باستكشاف تكوينات نماذج متنوعة وخوارزميات حل داخل كل مجموعة. ومن خلال عملية التقطير، يتم تحويل المسارات الناجحة إلى مهارات يمكن إعادة استخدامها بسهولة.

لكن ما يميز OptSkills فعلاً هو قدرته على تحسين التعميم خارج التوزيع، حيث يقوم بتحسين المهارات الموجودة أو توسيع مكتبة المهارات باستخدام المسارات الجديدة المكتسبة.

نتائج النظام مثيرة للإعجاب، حيث حقق دقة متوسطة تصل إلى 68.27% في مجموعات بيانات تضم أنواعًا وسيناريوهات متنوعة من المشكلات. وعلى مجموعة MIPLIB-NL، التي تمثل تحديًا كبيرًا، حقق نظام OptSkills دقة تبلغ 26.91%، متفوقاً على DeepSeek-V3.2-Thinking بفارق 4.53%. بعد تعلم المهارات على Nano-CO، وصلت الدقة إلى 72.79% على معيار NLCO الخارجي.

لمزيد من المعلومات، يمكنك زيارة رابط المشروع على GitHub. هل تعتقد أن هذه التقنية ستحدث ثورة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!