في عصر الذكاء الاصطناعي المتقدم، تبرز الحاجة إلى وكالات ذكاء اصطناعي شخصية تتمتع بذاكرة متعددة المصادر، مما يطرح تحديات جديدة تتعلق بكيفية معالجة هذه الأنظمة للمعلومات المتضاربة أو غير المكتملة. في هذا السياق، توصل الباحثون إلى تطوير اختبار تشخيصي جديد يسمح بإجراء تقييم شامل لكيفية تعامل نماذج الذكاء الاصطناعي مع هذه التحديات.

ركزت الدراسة على مفهوم **الاسترجاع الانتقائي للأسئلة (Selective QA)** من ذاكرة شخصية متعددة المصادر، حيث يتعين على الأنظمة اتخاذ قرارات صعبة بشأن كيفية استخدام المعلومات المتعارضة. لا يمكن لهذه الأنظمة الاعتماد على سجل حافل ونظيف لاسترجاع الحقائق، مما يستدعي الحاجة إلى استراتيجيات أكثر تعقيدًا.

يتضمن الاختبار 18 قالبًا للأسئلة موزعة على 8 أنواع من التفكير، بالإضافة إلى 480 شخصية و34,560 حالة، تمت معالجتها بعناية لضمان دقة النتائج. تم تقييم أداء الأنظمة المختلفة، بدءًا من تلك التي لا تتمتع بأي وصول إلى مصدر، وصولاً إلى نماذج القمم الذكية (Frontier LLMs) التي تتعامل مع المعلومات بطريقة مبتكرة.

أظهرت النتائج أن أفضل نماذج الدمج المدربة حققت دقة تصل إلى 80.3%، في حين حققت النماذج القوية المعتمدة على الطلب فقط دقة تصل إلى 70.0%. بالإضافة إلى ذلك، عندما تم تطبيق استراتيجية الامتناع، حقق معالج الدمج نفسه دقة انتقائية تصل إلى 85.3%.

الأنظمة المختلفة أظهرت قوة متفاوتة عبر أنواع التفكير المختلفة، مما يفتح المجال أمام مزيد من البحوث والتطوير في هذا المجال. يسر الباحثون مشاركة البيانات، والكود، ونتائج نماذج الذاكرة للتمكن من إعادة استخدامها في الأبحاث المستقبلية.

ما رأيكم في قدرة أنظمة الذكاء الاصطناعي على معالجة المعلومات المتضاربة؟ شاركونا في التعليقات.