في عالم الذكاء الاصطناعي، تعتبر دقة نماذج اللغات الضخمة (Large Language Models) عاملاً محورياً في فعاليتها. لكن تكلفة الاستدلال قد تشكل عقبة أمام تحقيق تلك الدقة. وفي هذا الإطار، تأتي تقنية تعزيز وقت الاختبار (Test-Time Augmentation - TTA) لتقدم حلاً مبتكرًا.

تسعى هذه التقنية إلى تحسين دقة النماذج من خلال تقديم تنوع في المدخلات بدلًا من الاعتماد فقط على تنوع المخرجات. حيث تم إجراء دراسة مقارنة تستعمل ثلاثة استراتيجيات بسيطة من جانب المدخلات تتضمن إعادة صياغة دلالية، وتحولات لغوية، وتحولات بصرية عبر ستة مجموعات بيانات تغطي المعرفة العامة ومتعددة اللغات، إلى جانب استراتيجيات التعزيز المعتمدة على تسلسل التفكير.

أظهرت النتائج أن إعادة الصياغة الدلالية يمكن أن تحقق مكاسب دقة متسقة وتعتبر أكثر تكلفة وفعالية إذ تعطي دقة أعلى بحوالي 1.8 مرة لكل وحدة تكلفة. كما تُظهر الدراسة أن توسيع المدخلات هو الأكثر تكلفة فعالية للنماذج المتوسطة عندما تكون النماذج الأقوى غير متاحة أو مكلفة.

بالتالي، تكشف النتائج أهمية تنويع المدخلات كوسيلة لتحويل تكلفة الاستدلال إلى دقة أعلى على نحو أكثر كفاءة. يمكنك الاطلاع على تنفيذ تقنية ت.ت.ا على GitHub. ما رأيكم في اعتماد هذه الاستراتيجيات لتحسين أداء النماذج؟ شاركونا في التعليقات!