تتجه الأبحاث الحديثة في مجال الذكاء الاصطناعي نحو تحسين أداء نماذج توليد الوثائق من خلال دمج المعرفة البرمجيّة (Parametric Knowledge) مع أساليب تعليم الآلة الجديدة. تشير الدراسات إلى أن الضبط الفائق لنموذج توليد الوثائق المدعوم باسترجاع المعرفة المولّدة (Retrieval-Augmented Generation RAG) قد حقق تحسينات ملحوظة مستمرة على أداء النماذج التقليدية.

في هذا الإطار، تم إجراء دراسة حول تطبيق الضبط الفائق لنموذج RAG في توليد وثائق المتطلبات داخل مجال هندسة الإلكترونيات. تم اختبار نماذج بحجم 7 مليارات (7B) تحت استراتيجيات مختلفة للبيانات التدريبية، مما يظهر قدرة هذه النماذج على التفوق على نماذج أكبر حجمًا تصل إلى 72 مليار (72B) عبر استخدام قياسات جديدة للتحقق من الدقة.

من بين أهم الانجازات، تم إدخال واجهة تقييم جديدة تُعرف باسم C-FEX، التي تعتمد على إدراك المطالبات الواردة من كل استجابة، مما يساعد في فصل فاعلية المخرجات التنبؤية عن جودتها. هذا النهج يقوي الفهم لدينا حول كيفية تأثير ضبط النماذج على قدرتها في تقديم المعلومات الدقيقة.

مع إدراك العلماء للتحديات المحتملة، أصبح من المهم تطبيق أسلوب تحليل دقيق يبرز قدرة النموذج على تقليل الأخطاء أو ما يُعرف بالهلاوس (hallucination)، حيث تكون النماذج أكثر موثوقية وأقل عرضة للتعبير عن معلومات غير دقيقة.

في الختام، تشير النتائج إلى تقدم هام في مجال تطوير النماذج التي تعتمد على المعرفة البرمجيّة، مما يمهد الطريق نحو تطبيقات أكثر دقة وموثوقية في مجالات متخصصة متنوعة.

ما رأيكم في تطورات النماذج الجديدة في مجالات الخبرات المختلفة؟ شاركونا في التعليقات!