منذ زمن طويل، تُعدّ فكرة التحسين الذاتي على نطاق واسع هدفًا أساسيًا لنماذج الاستدلال في مجال الذكاء الاصطناعي. ويبتكر الباحثون دائمًا أساليب جديدة لمواجهة التحديات المرتبطة بالتحقق من كفاءة النماذج لدينا. في هذا السياق، تظهر تقنية "التحقق الذاتي المدرب" (Self-Trained Verification) كحل مبتكر.

تتجلى أهمية تقنية التحقق الذاتي في نقاطين رئيسيتين: الأولى، وقت الاختبار من خلال عمليات التحقق والتكرير (Verification-Refinement - V-R)؛ والثانية، في وقت التدريب عن طريق طرق التدريب الذاتي. ولكن، يواجه كلا النهجين تحديًا قويًا يتمثل في "التحقق". فعندما تصل درجات تقييم التحقق إلى مستويات عالية بينما لا تتحسن الدقة، تتوقف دوائر V-R عن العمل. ‎

النتيجة: كيف يمكن للنماذج أن تتعلم من الأخطاء التي تولدها؟ يأتي الحل من خلال الإشراف الذاتي: عندما يُظهر النموذج الحل المرجعي، يصبح قادرًا على تحديد الأخطاء بدقة أكبر. تعتمد تقنية التحقق الذاتي المدرب على هذه الظاهرة، حيث تهدف إلى تدريب النموذج على محاكاة نسخة أكثر وعيًا من نفسه عند التحسين.

إن النتائج مثيرة للإعجاب! خلال وقت الاختبار، تُظهر تقنية التحقق الذاتي المدرب تحسينًا ملحوظًا في تقنيات V-R، حيث تقوي دقة النتائج في مسائل الرياضيات الصعبة إلى حد مضاعف، وتحقق زيادة قدرها 14 مرة في مهام الاستدلال العلمي.

في وقت التدريب، تعمل التقنية نفسها بالتوازي مع تقنيات التعزيز (Reinforcement Learning) لتدريب مولد البيانات، مما يؤدي إلى تحسينات مذهلة في أداء المولد، بحيث يمكنه تجاوز المستويات السابقة للدقة بمعدل 30% في بعض الحالات. لذا، يبدو أن المستقبل في التعامل مع التحديات المعقدة قد يعتمد بشكل متزايد على كيفية تدريبنا على التحقق.