يعتبر تطوير نماذج اللغات الضخمة (Large Language Models) واحدة من أبرز التوجهات في عالم الذكاء الاصطناعي، حيث كانت زيادة البيانات التدريبية ومعلمات النماذج تمثل الأساس في تحقيق إنجازات مستمرة. ولكن مع تزايد باعتمادنا على البيانات، نواجه تحديات جمة تتمثل في نقص البيانات عالية الجودة والتكلفة المتزايدة للحوسبة. هنا يأتي دور مشروع بحثي حديث يسلط الضوء على كيفية تحسين هذه النماذج من خلال التعلم المستمر من سجلات التفاعل التي تتيح لنا الاستفادة من ردود الفعل الحقيقية للمستخدمين.

السجلات المستخدمة في هذا البحث تقدم ثروة من المعلومات، ولكن يمكن أن تكون فوضوية وغير هيكلية، مما يخلق صعوبات في استخلاص الإشارات المفيدة من البيانات الضوضائية. غالبًا ما تواجه أنظمة نماذج اللغات الضخمة التقليدية صعوبة في تمييز ردود الفعل المفيدة عن السلوكيات غير الهامة. ولتجاوز هذه العقبة، اقترح الباحثون إطارًا جديدًا يُدعى UNO (User log-driveN Optimization).

يعمل هذا الإطار على تصفية السجلات وتحويلها إلى قواعد شبه هيكلية وأزواج تفضيل، ثم يستفيد من تقنية التجميع المدفوعة بالاستفسارات وردود الفعل لإدارة تباين البيانات. كما يقوم UNO بتقييم الفجوة المعرفية بين المعرفة التي يمتلكها النموذج والبيانات المجمعة، مما يوجهه لتصفية الإشارات الضوضائية وبناء وحدات مختلفة لتجارب المستخدمين المختلفة. من خلال هذه المنهجية، يتم تعزيز استجابة النموذج للمستخدمين وتحسين الأداء بشكل ملحوظ. وتبين التجارب الواسعة أن نظام UNO يتفوق بشكل كبير على الطرق التقليدية مثل تقنيات استرجاع تعزز التوليد (Retrieval Augmented Generation) وغيرها.

للمهتمين بتقنيات الذكاء الاصطناعي، يمكنكم الاطلاع على الشفرة المصدرية المتاحة على GitHub للإحاطة بمزيد من التفاصيل حول هذا الإنجاز.

ما رأيكم في استخدام سجلات تفاعل المستخدمين لتحسين أنظمة الذكاء الاصطناعي؟ شاركونا في التعليقات.