إعادة صياغة التعلم: طريقة مبتكرة لتحديد مصادر الفشل في أنظمة الوكلاء المعتمدة على نماذج اللغات الكبيرة

تشكل أنظمة الوكلاء المعتمدة على نماذج اللغات الكبيرة (Large Language Models) تطوراً ملحوظاً في عالم الذكاء الاصطناعي. ومع ذلك، كثيراً ما تواجه هذه الأنظمة مشكلات تتعلق بتحديد مصادر الفشل عندما تنشأ هذه المشكلات في المراحل المبكرة من التفاعل. لقد تم تطوير طريقة جديدة تُعرف باسم ‘ReCast’ لتسهيل هذا الأمر. تتناول ‘ReCast’ مهمة التعرف على الخطوة الأولى التي تشكل السبب وراء الفشل، مما يجعل من الممكن فهم علاقات الفشل بشكل أعمق.

لدراسة فعالية هذه الطريقة، تم تناول تمثيل الخطوات المرتبطة بالأسباب. وجد الباحثون أن الطريقة التقليدية التي تعتمد على الإشارات الداخلية لنماذج اللغات الكبيرة لا تفصل بوضوح بين الخطوات المسؤولة وبين الخطوات الأخرى، مما يتطلب ضرورة الابتكار. لذلك، قامت ‘ReCast’ باختيار طبقات معينة ذات صلة بالأسباب، وبناء ملامح مكمّلة للأنماط والانحرافات، وأخيراً تعلم تمثيلات سياقية للخطوات باستخدام نموذج تم تدريبه على أهداف تباين وترتيب.

تتضمن ‘ReCast’ أيضًا مجموعة بيانات تدريبية تُعرف باسم ‘ReCast-2K’ تم تصميمها خصيصًا لهذا الغرض. وقد حققت ‘ReCast’ أفضل نتيجة Hit@1 عبر أربعة معايير، متجاوزة الأساس الأقوى بنسبة 5.65 و9.19 نقطة في كل من خوارزمية Who&When وHandcrafted.

هذه الابتكارات تفتح آفاقًا جديدة لفهم وتحسين أداء أنظمة الوكلاء المعتمدة على الذكاء الاصطناعي. كيف ترى تأثير هذه التطورات على مستقبل الذكاء الاصطناعي؟ شاركونا آرائكم.