في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الكبيرة (Large Language Models) أحد أبرز الابتكارات، لكن تحدياتها لا تزال قائمة. من أبرز هذه التحديات هو اكتشاف الأخطاء في إجاباتها، وهو ما يعرف بتقنية اكتشاف الهلوسة (Hallucination Detection). وللتغلب على هذه المشكلة، تم اقتراح تقنية حديثة تُعرف باسم QAOD (Question-Answer Orthogonal Decomposition).

تعمل تقنية QAOD على تحليل العلاقة بين الأسئلة والإجابات بشكل مختلف. فهي تسعى لإيجاد مكون غير متسق مع السؤال من خلال إزالة الاتجاه الموافق للسؤال من تمثيل الإجابة. هذا المفهوم يضمن تقليل التغيرات السلبية الناتجة عن تغيير السياق، مما يزيد من دقة الإجابات.

لكن كيف يمكن للتقنية الجديدة تحسين عمليات اكتشاف الأخطاء؟ تعتمد QAOD على اختيار الطبقات بطريقة تعزز التنوع من خلال استخدام تحليل فيشر (Fisher Scoring) واختيار خلايا عصبية مميزة، مما يضمن تحقيق التوازن بين الدقة والكفاءة

كما تقدم QAOD استراتيجيتين تفحصيتين متكاملتين. الأولى ترتبط بمُنبدأ متعدد الاتجاهات الذي يساعد على زيادة التمييز داخل النطاق. أما الثانية، فتستخدم العنصر العمودي فقط، مما يحافظ على إشارات الحقائق العامة غير المشروطة، لتعزيز القدرة على نقل المعلومة بين النطاقات المختلفة

نتائج التجارب أظهرت أن الاستراتيجية المتكاملة لـ QAOD تحقق أفضل أداء في النطاق، إذ يحصل على أعلى معدل تمييز (AUROC) عند تقييمها مقابل كافة مجموعات البيانات، بينما تقدم الاستراتيجية المخصصة للعنصر العمودي انتقال فائق للبيانات، حيث تتفوق حتى على أفضل المعايير بنسبة تصل إلى 21%.

تعتبر QAOD خطوة حيوية نحو تحسين فعالية نماذج اللغة الكبيرة، مما يمكّنها من تقديم إجابات دقيقة وموثوقة.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحدث ثورة في كيفية تعاملنا مع نماذج الذكاء الاصطناعي؟ شاركونا في التعليقات!