في عالم الذكاء الاصطناعي المتطور، تظهر تقنية جديدة تعرف بــ محاكاة-Augmented Generation (SAGE) كحل مبتكر للجوانب المعقدة في استجابات النماذج. تهدف SAGE إلى تعزيز جودة الاستجابات من خلال محاكاة وجهات نظر الأفراد أثناء عملية الاستدلال، مما يسهم في تقديم إجابات أكثر تمثيلاً وموضوعية للمستخدمين.

وإحدى التحديات الرئيسية التي تواجه هذه التقنية هي ضرورة تحقيق كفاءة في محاكاة عملية الاستدلال دون التأثير على جودة التمثيل. وفي هذه الدراسة، تم تقديم أول صياغة رسمية لهذه المشكلة، مستندةً إلى مبدأ معروف يُسمى الممثل العادل المتناسب مع الكتلة (metric proportional justified representation+) والذي يعتبر أقوى مبدأ نُعرفه حتى الآن، قادر على التوافق دائمًا مع تخطيط مراكز التجميع.

النتائج أظهرت أنه من أجل تمثيل وجهات نظر مجموعة من الأفراد، يمكنك إجراء محاكاة لعدد قليل من الأفراد (n << n_H) بدلاً من جميعهم. ومن ثم، فإن الاستجابة الديناميكية يمكن أن تقتصر على عدد محدود من هذه المحاكاة بناءً على طبيعة الاستفسار، مما يضمن تمثيلًا شبيهًا للجميع.

من خلال التجارب الحقلية، والتي تناولت مجالات مثل الأسئلة السياسية ونصائح الحياة الشخصية، أظهرت خوارزمية التوجيه المقترحة معدل رضا أعلى عن معيار الممثل العادل المتناسب مقارنة بأساليب اختيار عشوائية أو مستندة إلى الكتلة. هذه التطورات تمثل خطوة حاسمة نحو تحسين تجارب المستخدمين وتقديم إجابات أكثر دقة وموضوعية في كافة مجالات الحياة.