في عالم التعلم الآلي، تلعب أدوات الذكاء الاصطناعي دورًا متزايد الأهمية. إلا أن النتائج تظهر أن هذه الأدوات، رغم تطورها، لا تزال تعاني من الفجوة في الأداء مقارنة بالبشر. وهنا تأتي TraceML، الأداة الثورية التي تسلط الضوء على هذه الفجوة وتقدم رؤى جديدة في كيفية تعزيز أداء الذكاء الاصطناعي.

تعتمد TraceML على نموذج يعمل على ربط جهود البشر والذكاء الاصطناعي في مسابقات التعلم الآلي. حيث تم جمع 4,465 نتيجة بشرية من 134 مسابقة، وتمت مقارنتها بعمل وكالتين ذكاء اصطناعي، مما أتاح الحصول على 430 مسارًا بشريًا و207 مسارًا للذكاء الاصطناعي.

عند تحليل أنماط الأداء، يتبين أن الخبراء البشر يستخدمون استراتيجيات متنوعة بين تغيير البيانات والتحقق من النموذج، بينما يميل الذكاء الاصطناعي إلى تكرار عمليات ضيقة، مما يحد من قدرته على الابتكار. على سبيل المثال، وكيل Codex يركز على إعادة وزنية الأنماط بينما وكيل MLEvolve يعدل نموذجه الحالي دون استكشاف خيارات abandon.

ومع ذلك، تسلط TraceML الضوء على إمكانية تحفيز الذكاء الاصطناعي من خلال تقديم توجيهات قصيرة مستوحاة من ممارسات البشر، والتي يمكن أن تحسن النتائج. ومع ذلك، يبقى شكل المجهود مرهونًا بنمط الذكاء الاصطناعي.

في النهاية، تقدم TraceML ليس فقط رؤى حول أداء الذكاء الاصطناعي، بل توفر أيضًا مجموعة مفتوحة المصدر للأدوات التي تسمح بتحويل أي عملية من وكيل سطر الأوامر إلى مسار TraceML، مما يتيح المقارنة بمجموعة البيانات البشرية.