في تطور مثير في عالم الذكاء الاصطناعي، تم الكشف عن قدرة نماذج التنبؤ العصبي الرمزي (Neuro-Symbolic Predictors) على دمج المعرفة السابقة في عملية التنبؤ. تتميز هذه النماذج بقدرتها على ضمان أن النتائج تلبي القيود المحددة، مما يجعلها مثالية للتطبيقات الحساسة التي تتطلب الامتثال لمتطلبات المعرفة الميدانية.

المشكلة الرئيسية التي تواجه هذا النموذج هي كيفية الحصول على القيود الرمزية، حيث إن ترميز المعرفة الميدانية إلى صيغ منطقية يعد عملية يدوية تتطلب خبرة عالية. تجري الأبحاث الحالية في هذا المجال دراسة حول إمكانية استخدام النماذج الآلية للغة (LLMs) لتحويل المعرفة النصية إلى معرفة رمزية يمكن استخدامها في نماذج التنبؤ العصبي.

لتحقيق هذا الهدف، تم تقديم benchmark جديد يُسمى auto-nesy-bench، والذي يهدف إلى تقييم صياغة القيود وتأثيرها على دقة التنبؤات الناتجة. وقد أظهرت التقييمات الشاملة عبر عدة مجالات أن النماذج اللغوية الضخمة قادرة على صياغة قيود ذات معنى، حيث تولد صيغاً قريبة إلى حد بعيد من تلك التي يضعها الخبراء البشريون.

الأهم من ذلك، أن الصيغ التي يتم توليدها إذا كانت صحيحة تركيبياً، فإنها تؤدي إلى توقعات ذات جودة عالية. يمكنكم استكشاف الكود والبيانات المرجعية عبر الرابط المتاح: رابط.

فهل تتوقع أن تغير هذه التكنولوجيا الجديدة قواعد اللعبة في تطبيقات الذكاء الاصطناعي؟ دعونا نسمع آرائكم في التعليقات!