في ظل التزايد المستمر لنماذج الذكاء الاصطناعي التوليدي، أصبح تقييم أدائها مسألة معقدة تتطلب موارد ضخمة. ولذلك، قدم الباحثون إطار ProEval، الذي يعد حلاً مبتكراً لمواجهة تحديات تقييم الأداء والكشف عن الأخطاء بشكل استباقي.

يستفيد ProEval من تقنيات التعلم الانتقالي حيث يستخدم Gaussian Processes (GPs) المدربة مسبقاً كبدائل لوظيفة تقييم الأداء. هذا النهج يسمح بتحديد قياسات مثل شدة الأخطاء أو انتهاكات الأمان بطريقة أكثر فعالية. من خلال تصوير تقديرات الأداء على أنها Bayesian quadrature (BQ) واكتشاف الأخطاء من خلال أخذ عينات من المجالات العليا (superlevel set sampling)، قام الباحثون بتطوير استراتيجيات قرار واعية بالشكوك، تتيح اختيار أو توليف مدخلات جديدة وهامة للاختبار.

الأدلة النظرية تشير إلى أن مُقدر BQ المستند إلى Gaussian Processes المدربة مسبقاً هو غير متحيز ومحدود، مما يعزز موثوقية الإطار. من الناحية العملية، أظهرت التجارب الواسعة على مختلف المواد، مثل الاستدلال وتوافق الأمان، أن ProEval يتفوق بشكل كبير على الحلول المنافسة. حيث يتطلب 8-65 مرة أقل من عينات لتحقيق تقديرات دقيقة ضمن 1% من الحقيقة، مع إبراز مجموعة أكبر من حالات الفشل تحت ميزانية تقييم أكثر صرامة.

مع دخولنا فترة تتزايد فيها الحاجة إلى أساليب تقييم فعالة وموثوقة، تعزز ProEval مكانتها كأحد الحلول الرائدة في هذا المجال.