في عالم الذكاء الاصطناعي، تبرز تحديات تتعلق بكيفية تمكن نماذج اللغات الكبيرة (Large Language Models) من تراكم وإعادة استخدام الخبرات من تفاعلاتهم السابقة. لدى الباحثين اقتراح جديد يهدف إلى معالجة هذه التحديات من خلال إعادة التفكير في كيفية استخدام المهارات في نماذج التعلم.

تتطلب تحسين المهارات في النماذج الذكية رؤية جديدة، إذ يمكننا اعتبار المهارات كحالات قابلة للتدريب، وهذا يعني أننا نستطيع تحسينها بنفس طريقة تحسين معلمات النموذج في تدريب الشبكات العصبية. ومع ذلك، تمثل عملية تحسين المهارات المدفوعة بالبيانات تهديدًا واضحًا للإفراط في التعليم، عند الاعتماد بشكل زائد على المسارات المحدودة التي تم جمعها من البيئات الحقيقية.

هذا الإفراط قد يؤدي إلى تدهور الأداء عند مواجهة تحديات جديدة. وبالتالي، تُبرز هذه الدراسة أهمية وجود توازن بين الاستكشاف والإفراط، مما يحفز فكرة البحث المقيد لتطور المهارات.

لقد تم تقديم إطار عمل جديد تحت اسم SkillBoost، ويضم ثلاث مراحل مترابطة. المرحلة الأولى تركز على الاستغلال المنظم الذي يساعد على تحديد الأخطاء المتعلقة بالمهارات القابلة للتعديل. المرحلة الثانية تعتمد على استكشاف موجه بالمعرفة السابقة الموجودة في النموذج لإنشاء خيارات متعددة للإصلاح. أما المرحلة الثالثة فتهدف إلى قبول الاقتراحات فقط عند تحسين الأداء ضمن حدود معينة.

إذا تم تنفيذ هذه الخطوات بشكل سليم، يمكن أن تحقق SkillBoost أداءً رائعًا وتخفف من مخاطر الإفراط في التعليم. وتشير التجارب إلى أن هذا النموذج يتفوق على المهارات التي قام بتطويرها البشر أو نماذج الذكاء الاصطناعي.

تظهر التجارب أيضًا أن المهارات المحسنة يمكن أن تُستخدم مجددًا من قبل وكلاء آخرين في مهام مشابهة، مما يعزز فكرة الاستفادة من المعرفة في نماذج الذكاء الاصطناعي.