في عالم متسارع التطور يعتمد بشكل متزايد على الذكاء الاصطناعي، يظهر SkillPager كأداة مبتكرة تهدف إلى تحسين عمليات استرجاع المعلومات المرتبطة بالمهارات. تعتمد نماذج اللغات الضخمة (Large Language Models) على الوثائق الطويلة، ورغم فعالية هذه الطريقة، لكنها تتسبب في إهدار التوكنات (tokens) وتخفيف المعلومات الحيوية.

تمت دراسة هذه الحالة كعملية استرجاع داخلية (intra-skill retrieval)، حيث تسعى SkillPager لتوفير سياق فعال يكفي لتنفيذ المهام بناءً على استفسار معين. كجزء من هذا الإطار، يتم تحليل كل مهارة مكتوبة باستخدام Markdown إلى (typed semantic nodes) مسبقًا، وتستخدم خوارزمية MMR لتعزيز اختيار العقد ذات الصلة بناءً على الاستفسارات.

عند اختبار SkillPager على مجموعة بيانات تضم 395 مهارة و1,975 استفساراً، حقق النظام نسبة كفاءة تصل إلى 78.89% في تقييم السياق من قبل نماذج اللغات الضخمة، مقلصًا عدد التوكنات المستخدمة بنسبة 47.04%. وفي حين أن أداء النظام التقليدي باستخدام الوثائق الكاملة كان 82.23%، فإن كفاءة SkillPager تكمن في استخدامه للعقد ذات الطابع الدلالي، بما يُظهر قوة هذا الابتكار في الوصول إلى المعلومات.

تسهم نتائج أخرى في تعزيز فعالية أداء SkillPager، حيث أثبتت أن الاحتفاظ بالمحتوى الداعم داخل مجموعة المرشحين واختياره بشكل تفاعلي يؤدي إلى أفضل النتائج، مقارنة باستخدام أساليب ثابتة لإزالة المعلومات.

يمثل SkillPager خطوة متقدمة تفتح آفاقاً جديدة في الطريقة التي تعتمد بها نماذج الذكاء الاصطناعي على المعلومات، مما يجعل الاسترجاع ضمن المهارات مسألة منفصلة تتطلب نهجًا مبتكرًا.