في ظل التطورات المتسارعة في عالم الذكاء الاصطناعي، برزت الحاجة إلى آليات أكثر تعقيداً لفهم كيفية تعامل نماذج اللغات الضخمة (Large Language Models) مع عدم اليقين. فقد أظهرت الأبحاث الحديثة أن الإطار التقليدي لفهم عدم اليقين، والذي يميز بين عدم اليقين العشوائي (aleatoric) والإدراكي (epistemic)، ليس كافياً لوكالات الذكاء الاصطناعي التفاعلية. لذا، تم اقتراح نماذج أكثر مرونة تدعم قابلية التواصل والفهم بين الوكلاء والمستخدمين.

تقدم هذه الدراسة الجديدة طريقة مبتكرة تعتمد على تحليل عدم اليقين من خلال نموذج تفكيكي يسمح لوكلاء الذكاء الاصطناعي بطلب التوضيح عند وجود غموض في مواصفات المهام. فبدلاً من الاعتماد على الطرق التقليدية المعقدة، تم استخدام تقديرات تعتمد على عبارات الطلب كأكثر الطرق فعالية لإظهار عدم اليقين.

كما تم تقييم هذه الطريقة من خلال تطوير مقياسين جديدين هما WebShop-Clarification و ALFWorld-Clarification، حيث تم تصميم 50% من المهام عمداً لتكون غير محددة. وتمت مقارنة النتائج مع نماذج أخرى مثل ReAct+UE وUncertainty-Aware Memory (UAM) عبر خمسة نماذج لغوية ضخمة (GPT-5.1، DeepSeek-v3.2-exp، GLM-4.7، Qwen3.5-35B، وGPT-OSS-120B). أظهرت النتائج تحسناً ملحوظاً في الأداء، حيث زادت فاعلية التوضيح (F1) بنسبة تصل إلى 73% مقارنة ب ReAct+UE و36% مقارنة ب UAM.

تؤكد هذه الدراسة على أهمية التعامل مع عدم اليقين بشكل فعال لاستغلال الإمكانيات الفائقة لنماذج الذكاء الاصطناعي، مما يمهد الطريق لفهم أفضل وأداء أعلى في التطبيقات التفاعلية.

وفي النهاية، كيف ترون مستقبل التعامل مع عدم اليقين في نماذج الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!