في عصر يسوده الذكاء الاصطناعي، تزداد أهمية أنظمة الإجابة على أسئلة خدمة العملاء (QA)، حيث تعتمد بشكل كبير على فهم اللغة المحادثاتية. وبالرغم من الأداء القوي الذي تحققه النماذج اللغوية الكبيرة (LLMs) في هذا المجال، إلا أن تكاليفها الباهظة وقيود نشرها تجعل استخدامها محدودًا في البيئات القليلة الموارد. هنا تبرز النماذج اللغوية الصغيرة (SLMs) كبديل أكثر كفاءة، لكنها لا تزال بحاجة للاستكشاف بشكل أعمق، خصوصًا في سيناريوهات تتطلب استمرارية الحوار وفهم السياق.

تستعرض هذه الدراسة مدى فعالية النماذج اللغوية الصغيرة المعززة بالتعليمات في معالجة أسئلة خدمة العملاء المعتمدة على تلخيص السياق للمحادثات المتعددة الأدوار. وتعتمد على استراتيجية تلخيص التاريخ للحفاظ على الحالة الحوارية الأساسية. كما نقدم تحليلًا نوعيًا يستند إلى مراحل المحادثة لتقييم سلوك النموذج في مراحل مختلفة من تفاعلات خدمة العملاء.

تم تقييم تسع نماذج لغوية صغيرة منخفضة المعلمات مقابل ثلاث نماذج LLM تجارية، باستخدام معايير التشابه اللفظي والدلالي بالإضافة إلى تقييمات نوعية تتضمن تقييمات بشرية وأساليب LLM كحكم. أظهرت النتائج اختلافًا ملحوظًا بين النماذج الصغيرة، حيث أظهرت بعض النماذج أداءً قريبًا من النماذج الكبيرة، بينما تكافح نماذج أخرى للحفاظ على استمرارية الحوار وتوافق السياق. تسلط هذه النتائج الضوء على الإمكانيات والقيود الحالية للنماذج اللغوية منخفضة المعلمات في أنظمة إجابة خدمة العملاء الحقيقية.

ختامًا، تعكس هذه الدراسة التحديات والفرص المتاحة في مجال الذكاء الاصطناعي، ما رأيكم في مستقبل هذه النماذج؟ شاركونا أفكاركم في التعليقات.