غالبًا ما تعبر نماذج اللغات الضخمة (Large Language Models) عن مستوى من الثقة اللفظية لا يتماشى بشكل جيد مع دقتها الفعلية، مما يحد من موثوقيتها في التطبيقات التي تتطلب سلامة عالية. وفي إطار تحسين أداء هذه النماذج، تم تقديم طريقة جديدة تُدعى 'Rehearse'، والتي تتيح للنماذج تعديل ثقتها بناءً على تجاربها السابقة.

تعمل 'Rehearse' كطريقة تدريب خالية من العوائق، حيث تستفيد النماذج من الخبرات السابقة في اتخاذ القرارات حول الثقة. من خلال لعبة تحكيم الثقة، تتلقى النماذج ملاحظات حول اختياراتها الثقة السابقة، وتجري تلخيص تلك الخبرات في مسار يعكس ثقة الموديل. في وقت الاستدلال، يُطبق الموديل إشارة ضبط الثقة عبر سلاسل تفكير مختلفة لكل سؤال جديد.

من خلال تطبيق 'Rehearse' على أربع نماذج لغوية ضخمة، وثلاثة معايير، وخمسة بذور عشوائية، أثبتت الطريقة أنها تقلل من متوسط خطأ تصنيف الثقة بأكثر من 58% مقارنةً بالأساليب التقليدية غير المضبوطة. تجسد هذه النتائج تحولًا في كيفية إدارة الثقة في الذكاء الاصطناعي، مما يفتح المجال لتطبيقات أكثر دقة وموثوقية.

للاطلاع على الشيفرة المستخدمة في صياغة هذه الطريقة الجديدة، يمكن زيارة الموقع الرسمي هنا. ما رأيكم في هذه التطورات المثيرة؟ شاركونا آراءكم في التعليقات!