في عالم الذكاء الاصطناعي، تبرز النماذج اللغوية الكبرى (Large Language Models) كأحد أبرز الأدوات في مجال استنتاج المعلومات. ولكن، كما هو الحال مع أي تقنية متقدمة، يظهر تحدٍ يتمثل في الكفاءة. حيث أن الاستدلالات الطويلة التي تسردها هذه النماذج في كثير من الأحيان تكون مرهقة للذاكرة وغير فعالة. لذلك، جاء البحث الجديد ليطرح حلاً مبتكرًا يعرف بـ "التفكير المنظم".

يتمثل الهدف من "التفكير المنظم" في تنظيم عمليات الاستدلال عبر تقسيمها إلى كتل متناوبة. حيث تُسجل مجموعة من الأعمال الاستكشافية، بينما تحتوي على الاستنتاجات المختصرة الخاصة بكل خطوة. ولقد تم تصميم مجموعة بيانات تعتمد على "التفكير المنظم" من خلال تقسيم مسارات الاستدلال إلى كتل وتحفيز النموذج اللغوي على تلخيص كل خطوة في السياق المرتبط بها.

من خلال تحسين نماذج أساسية مسبقة التدريب على هذه البيانات المعاد تنسيقها، تمكن الباحثون من إنتاج نماذج تتبنى أسلوب الاستدلال المنظم. وقد أظهرت النتائج زيادة في الأداء تصل إلى 8.08% عند اختبارها على مقاييس الاستدلال مقارنة بأسلوب التدريب القياسي.

بالإضافة إلى ذلك، يسمح الهيكل الواضح المطبق من خلال "التفكير المنظم" بتقليص السياق، مما يعني أنه يمكن حذف المعلومات الغير ضرورية بعد كل زوج من الخطوات، مع الاحتفاظ بالاستنتاجات دون الحاجة للاحتفاظ بكامل معلومات العمل الاستكشافي. وقد أظهرت تجربة تبيّن هذا الخفض في التخزين متوسط توفير للذاكرة بنسبة 85%، مع انخفاض في الأداء بنسبة 8.67% عبر المهام الرياضية. كل هذه التطورات تفتح آفاقاً جديدة في تحسين كفاءة النماذج اللغوية الكبرى.

فما رأيكم في هذه الخطوات الجديدة؟ كيف تعتقدون أنها ستغير المشهد العام للذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات.