تتزايد أدوات نماذج اللغات الضخمة (Large Language Models) في استخدامها ضمن مجالات استخراج المعلومات (Information Extraction) في المؤسسات، حيث تتطلب البيانات إعادة تنظيم مختلفة لكل مستخدم. ولكن، الأساليب الحالية لتحسين المطالبات (Prompt Optimization) تعتمد على نموذج واحد تم تحسينه وفقًا لهدف عام، مما لا يتوافق مع تنوع المستخدمين في أماكن العمل الحقيقية.

استجابة لهذه التحديات، تم صياغة إطار العمل المبتكر Self-Meta-Evolve، الذي يعيد صياغة استخراج المعلومات من منظور مخصص لكل مستخدم. يعتمد هذا الإطار على تكييف المطالبات وفقًا لردود الفعل، مما يسمح لكل مستخدم بالحصول على تجربة فريدة. يتضمن هذا الإطار عملية مزدوجة: الأولى تركز على تعديل المطالبات استنادًا إلى ردود فعل المستخدم، بينما الثانية تعمل على تطوير النموذج العام من خلال استنباط أنماط التعديل الناجحة.

لتحقيق مستويات تدريب وتقييم قابلة للتوسع، تم إطلاق معيار استخراج المعلومات المدفوع بالشخصية الذي يتضمن 292 مستخدمًا افتراضيًا، مُزودًا بخط أنابيب لتوليد الشخصيات بناءً على تصنيفات O*NET الوظيفية.

يظهر نموذج Self-Meta-Evolve نجاحًا بنسبة 74.58%، متفوقًا بفارق 13.56 نقطة نسبة على أفضل الأساليب الحالية، ويحقق 52.54% بعد دورتين فقط. إضافة إلى ذلك، أكدت دراسة مزدوجة التعمية مع عشرين محترفًا حقيقيًا أن المطالبات المعدلة من خلال إطار العمل تحقق فوزًا في 71% من المقارنات الثنائية ضد الأساليب الثابتة.

في ظل هذا التطور، يبدو أن مستقبل استخراج المعلومات في بيئات الأعمال قد شهد تحولًا جذريًا. فما هي رؤيتكم حول هذا الابتكار؟ هل تعتقدون أنه يمكن أن يُحدث فارقًا في مجالات أخرى أيضًا؟