ابتكار مذهل: تطوير مهارات الذكاء الاصطناعي في الوقت الحقيقي عبر تقنية SkillTTA

في عالم الذكاء الاصطناعي، تعتبر [وكالات](/tag/وكالات) [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) ([LLM](/tag/llm)) [أدوات](/tag/أدوات) قيمة، لكن ماذا يحدث عندما تتطلب مهام معينة [مهارات](/tag/مهارات) أكثر تخصيصًا من [المكتبات](/tag/المكتبات) الثابتة؟ هنا يأتي دور [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) مثيرة تُعرف باسم **SkillTTA**، وهي طريقة لتوليد المهارات بشكل تكيفي خلال الاختبار.

تهدف [SkillTTA](/tag/skilltta) إلى تخطي [القيود](/tag/القيود) التقليدية من خلال استرجاع مجموعة صغيرة من المسارات التدريبية المتعلقة بمهمة معينة وتوليد [مهارات](/tag/مهارات) نصية مؤقتة تتوافق مع تلك المهمة. وهذا يعني أن النموذج يبقى ثابتًا، وتحدث عملية التكييف بالكامل من خلال [السياق](/tag/السياق) المولد بدلاً من [تحديثات](/tag/تحديثات) المعلمات.

أظهر [تقييم](/tag/تقييم) [SkillTTA](/tag/skilltta) على مجموعة من المنصات مثل **SpreadsheetBench** و**ALFWorld** و**BigCodeBench** نتائج رائعة. على سبيل المثال، حققت المهارات الخاصة بالمهمة تحسينًا ملحوظًا في ودجات SpreadsheetBench، حيث ارتفع معدل النجاح Pass@1 من 0.397 إلى 0.505، بينما قفز في [BigCodeBench](/tag/bigcodebench) من 0.517 إلى 0.651.

وبفضل استخدامها لكميات صغيرة من استرجاع المسارات، أثبتت [SkillTTA](/tag/skilltta) أنها أكثر فعالية من الطرق التقليدية في [توليد المهارات](/tag/[توليد](/tag/توليد)-المهارات). وعلى [منصة](/tag/منصة) ALFWorld، قارب [الأداء](/tag/الأداء) المعدل للذاكرة الأثقل في معدل النجاح، مع إنتاج أقصر المسارات الناجحة بين الطرق المعروضة.

تشير [التجارب](/tag/التجارب) كذلك إلى أهمية الاستفادة من المسارات الفاشلة، حيث تساعد هذه [البيانات](/tag/البيانات) في توضيح [الأخطاء](/tag/الأخطاء) المتكررة التي قد يواجهها المقيمون. وبذلك، تضع [SkillTTA](/tag/skilltta) حجر الزاوية لحقبة جديدة من [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) القابل للتكيف والتفاعل مع [البيانات](/tag/البيانات) والمواقف المتغيرة.