تتزايد أهمية نماذج اللغة الكبيرة (LLMs) في عالم القرارات المدعومة بالبيانات، حيث تُستخدم لتنظيف البيانات، اكتشاف الأخطاء في التسميات، وإعادة بناء القيم المفقودة. ولكن ساهم استخدام نماذج LLM في إنشاء توازن جديد يتعلق بالتكلفة operational tradeoff، حيث أن النماذج الأكثر دقة قد تكون مكلفة بشكل كبير. في هذا الإطار، يظهر تساؤل هام: متى يجب علينا الدفع لنموذج LLM أفضل، استنادًا إلى المهام المعنية؟

تتناول الدراسة الحالية هذه القضية من خلال استراتيجيات تحسين عشوائية تعتمد على أوكلاء مختلطين من حيث الدقة. هذه الاستراتيجيات تُظهر كيف يمكن التبديل بين أي نماذج عشوائية بطريقة فعّالة. من خلال تطوير إطارين خوارزميين واعين بالتكلفة، يتيحان التبديل التكيفي بين هذه الأوكلاء، تمكّن الباحثون من تسليط الضوء على فوائد التكلفة. الغرض من الخوارزمية الأولى هو تطبيق سياسة مكلفة ولكن مرنة تتيح اختيار دقة الأوكلاء وفقًا لمراحل التحسين.

في البحث، تم تقديم نظام تصديق ميزانية يستخدم تقييمات متكررة على نماذج موثوقة لتأكيد تقدم التقنيات، مما يساعد على التخلص من مصادر من الأوكلاء غير الناجحة.

وتظهر التجارب الكمية والنظرية كيف يؤدي التبديل التكيفي إلى تقليل التكلفة بشكل ملحوظ مقارنةً بالخيارات الثابتة ذات الدقة العالية، دون التأثير على دقة النتائج.

باختصار، تعطي هذه الدراسة نظرة عميقة حول كيفية اتخاذ قرار ذكي عند الاستثمار في نماذج أكثر تكلفة، وهو ما يعد ضرورة ملحة في عالم القرارات المعتمدة على البيانات.