نظام اختيار التفسيرات الذكي: كيف يتفوق التصنيف الزوجي على التعلم المعزز في معالجة البيانات

في عصر الذكاء الاصطناعي، تعد الأنظمة القابلة للتفسير جزءاً لا يتجزأ من منصات التوصيات، حيث يتزايد الطلب عليها بشكل متسارع. بدلاً من الاعتماد على نماذج التعلم المعزز الفردي (Single-Action Reinforcement Learning)، قدمت دراسة جديدة نظام تصنيف زوجي (Pairwise Ranking) يتفوق في الأداء وكفاءة التكلفة.

تظهر البيانات أن استخدام نماذج اللغات الكبيرة (Large Language Models) يتطلب تكلفة تشغيل عالية حيث تتم المعالجة لكل طلب عبر توليد ألفاظ باللغة الطبيعية، مما يستغرق عدة مئات من المللي ثانية. لكن ما يميز هذا النظام الجديد هو أنه يقوم بفصل مرحلتي التوليد والاختيار؛ حيث يتم إنتاج التفسيرات مسبقاً وتحفظ في مجموعة ثابتة من الخيارات (Candidate Pool) على شكل أنماط مختلفة، ثم يتم اختيار الأنسب عند الحاجة، مما يُقلل من الاعتماد على النماذج التي تحتاج إلى وحدة معالجة الرسوميات (GPU).

تحتوي الدراسة على تقييم شامل حيث تم استخدام مجموعة بيانات تتكون من 2958 زوجاً بالاعتماد على منصات Google Local وMovieLens-1M، ونتائج الاختبارات أظهرت تفوق النموذج الجديد، حيث سجل تصنيف LambdaRank معدلاً يصل إلى 0.500 في Google Local، متخطياً أنماط التوصيات الأخرى.

يساهم نظام التصنيف الزوجي في رفع كفاءة الأداء من خلال تجنب إهمال بيانات التصنيف، حيث يعتمد على تقييمات متعددة بدلاً من خيار واحد فقط. هذا الابتكار يوفر خوارزميات متطورة تعمل على تجنب الانهيارات الناتجة عن الازدحام في تخزين الاستجابات المتكررة.

مع تقدير تكلفة بناء النظام حول 15 دولار باستخدام أجهزة عادية، يظهر أننا أمام تقنية قد تغير معالم كيفية بناء الأنظمة القابلة للتفسير في المستقبل. إن نجاح هذه الابتكارات يفتح المجال لمزيد من الأبحاث والدراسات في هذا المجال المتنامي.