هل تساءلت يومًا عن كيفية تحسين نماذج الذكاء الاصطناعي (AI) استجابتها خلال وقت الاختبار؟ يتناول هذا المقال دراسة جديدة تبحث في العلاقة بين المعرفة السابقة (prior knowledge) والتعديل الزمنية (test-time augmentation) التي تشمل تقنيات مثل الاسترجاع المعزز بالجيل (Retrieval-Augmented Generation) واستخدام الأدوات.

تشير الدراسة إلى أن استجابة النموذج تعتمد بشكل حاسم على تداخل المعرفة البرمجية للنموذج مع المعلومات المسترجعة من الخارج. ومع ذلك، لا تزال الأسس النظرية لهذا التفاعل غير مفهومة بشكل جيد. فعلى سبيل المثال، هل يكفي تدريب النموذج على جزء بسيط من المعرفة للإجابة على استفسارات متكررة؟

للإجابة عن هذا السؤال، تم تعريف التفكير متعدد الخطوات كمشكلة ربط على رسم بياني معرفي (knowledge graph). حيث يتم تمثيل المعرفة البرمجية للنموذج كقائمة فرعية جزئية، قد تكون ملوثة بالضجيج. ومن ثم يتم اعتبار التعديل كطلب لمعلومات صحيحة تعزز من معرفة النموذج.

تظهر النتائج الرئيسية لهذه الدراسة انتقالًا في المرحلة: فإذا كان رسم المعرفة السابق مكونًا من $n$ نقطة غير متصل بأجزاء صغيرة، فإن العثور على مسار عبر التعديل يصبح غير فعال ويتطلب عددًا كبيرًا من الاستفسارات. بينما إذا تجاوزت كثافة المعرفة الصحيحة عتبة معينة، وتم تكوين مكون ضخم، يصبح من الممكن العثور على مسارات باستخدام عدد ثابت من الاستفسارات، مما يفتح آفاق جديدة لفهم عملية التعزيز المعرفي.

كيف ترى تأثير المعرفة السابقة في تعزيز أداء نماذج الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!