في عالم الذكاء الاصطناعي المتطور، يبدو أن الابتكارات لا تتوقف أبداً، وآخرها هو تقنية VecCISC. هذه التقنية الجديدة تعد بتقديم تحسينات ملحوظة في دقة استجابات نماذج اللغات الضخمة (Large Language Models) عندما يتعلق الأمر بالتحليل المنطقي.

تعتمد تقنية VecCISC على مفهوم يسمى “الاستمرارية الذاتية” (Self-Consistency)، وهو أسلوب مُعتمد لتوسيع القدرة على التفكير الاستنتاجي خلال زمن الاستدلال. يتم من خلاله أخذ عدة خيارات محتملة من النموذج وتحديد الخيار الأكثر شيوعًا. لكن، على مدى الفترة الأخيرة، اتضح أنه من الأفضل استخدام التصويت بالأغلبية المُعتمدة على الثقة (Confidence-Informed Self Consistency أو CISC)، حيث يتم تعيين قيم ثقة لكل إجابة من الخيارات ثم اختيار الإجابة ذات أعلى درجة تراكميّة.

على الرغم من فعالية هذه الطريقة، تعاني من عرض تكاليف عالية، حيث يتطلب الأمر استدعاء نموذج نقدي (critic LLM) لكل خيارات الإجابة للحصول على درجات الثقة، مما يؤدي إلى زيادة في استهلاك الموارد.

هنا يأتي دور تقنية VecCISC التي تُقدّم إطارًا خفيف الوزن ومرنًا يعمل على استخدام قياسات التشابه الدلالي (semantic similarity) لتصفية آثار التفكير التي تتشارَك دلاليًا. هذا يعني أنه يمكن تقليل عدد الخيارات التي تحتاج لتقييمها من قبل النموذج النقدي، مما يُبقي الأداة فعّالة من الناحية الاقتصادية.

في تجاربها، تم اختبار VecCISC على خمس مجموعات بيانات تتناول مجالات متعددة مثل الرياضيات، والكيمياء، وعلم الأحياء، وأيضاً المنطق الشائع والعلوم الإنسانية. وكانت النتائج مثيرة؛ فقد أظهرت VecCISC تقليلاً في استهلاك الرموز (tokens) بنسبة تصل إلى 47%، في حين استمر في الحفاظ على، بل وتَجاوز، دقة إضافة CISC.

في ختام هذا التطور المثير، كيف تتوقع أن يؤثر هذا الابتكار على مستقبل الذكاء الاصطناعي في شتى المجالات؟ شاركونا آرائكم في التعليقات!