في خطوة مبتكرة نحو تطوير وكلاء ذكاء اصطناعي قادرين على العمل بكفاءة عبر بيئات متعددة، أعلن مشروع **ريزيد (RISED)** عن استراتيجيات جديدة تهدف إلى تحسين طرق تدريب نماذج اللغة الكبيرة (Large Language Models) وكفاءة أدائها. يتمحور التركيز في هذا المشروع حول تحديات تدريب وكيل واحد عبر بيئات تفاعلية متنوعة، مما يجعل منهجه يختلف تمامًا عن الطرق التقليدية المعتمدة.

عادةً ما تكون استراتيجيات المنهج الدراسي واختيار البيانات تعتمد على مستوى البيئة، مع اعتبار الإشارات المستندة إلى المكافآت المحلية، دون أخذ الأبعاد التي تربط بين التفاعلات المتعددة عبر البيئات في عين الاعتبار. تواجه النماذج تحديات عندما يُتعلم البيئات بمعدلات مختلفة، مما يؤدي إلى تداخل مجموعات البيانات التي قد تكون نتائجها إما كلها نجاحات أو كلها إخفاقات. للأسف، يعتمد الزخم التعليمي الحالي على المكافآت القيمية فقط، مما يقدم معلومات محدودة عن العلاقات عبر البيئات.

لحل هذه المشكلة، يعتمد مشروع RISEd على استخدام التقييمات السلوكية، إذ يُقدّم نظام تقييم شامل يساعد في توجيه عملية التعلم بشكل أكثر فاعلية. تقوم نماذج اللغة الكبيرة بتصنيف كل تفاعل باستخدام مفردات تقييم متعارف عليها عبر جميع البيئات، مما يوجه اختيار البيانات بطريقة تتناسب مع التكوين السلوكي العام للمجموعات المختلطة.

إلى جانب تلك التقييمات الإيجابية التي تصف السلوكيات المرغوبة، يوجد أيضًا تقييمات سلبية تهدف إلى توجيه الجيل اللاحق من التفاعلات بعيدًا عن أنماط الفشل المتكررة. إن الاتساق والدقة في استخدام هذه التقييمات ساهم في تحقيق RISEd لأعلى معدل نجاح عبر البيئات المختلفة، متفوقًا على العديد من النماذج الأخرى.

هذا ويعد RISEd بمثابة نقطة تحول في مجال الذكاء الاصطناعي، حيث يطرح رؤية جديدة لتطوير وكلاء أكثر ذكاءً وفعالية عبر استخدام تقييمات سلوكية منهجية. هل أنتم مستعدون لاستكشاف هذا التطور الرائع في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!