باحثون في Apple يطورون قدرة الوكلاء الذكاء الاصطناعي على تحسين أدائهم ذاتياً
طريقة تدريب جديدة تسمى RLTL;DR تساعد وكلاء الذكاء الاصطناعي في حل المهام البرمجية المعقدة عبر توليد رؤى تقييمية ذاتية.
قدم باحثون في Apple تقنية جديدة تسمى RLTL;DR لمساعدة نماذج الذكاء الاصطناعي على تحسين أدائها في المهام التي كانت تواجه صعوبة فيها سابقاً. ركزت الدراسة على مشكلات البرمجة واستخدام الأدوات المعقدة التي كانت تعجز النماذج التقليدية عن حلها.
في العادة، تتعلم النماذج من خلال تكرار المهمة والتركيز على المحاولات الناجحة فقط. لكن هذه الطريقة لا تجدي نفعاً عندما تكون المهام صعبة لدرجة أن النموذج لا يحقق أي نجاح تقريباً، مما يجعله يفتقر إلى بيانات كافية للتعلم. هذا النهج الجديد يغير المعادلة بجعل النموذج يقيم نفسه بعد كل محاولة فاشلة.
هذا يوضح نموذجاً واعداً للتدريب المضغوط على شاكلة: في هذا النوع من المهام، ضع هذا النوع من الأشياء في اعتبارك.
بدلاً من مجرد إعادة المحاولة، يعمل النموذج كناقد لنفسه، حيث يكتب ملاحظة مختصرة حول سبب فشله. يتم الاحتفاظ بهذه الملاحظات في ذاكرة النموذج للمحاولة التالية، مما يسمح له بالتعلم من أخطائه تدريجياً حتى يتمكن من حل المشكلة.
أظهرت الاختبارات أن نموذج Qwen 3.5 9B Thinking حقق قفزة في معدل النجاح من الصفر تقريباً إلى 31% باستخدام هذه الطريقة. واكتشف الباحثون أيضاً أن تدريب النموذج على هذه الملاحظات الذاتية فقط كان فعالاً تقريباً مثل التدريب على بيانات المحاولات الكاملة.
تخيل أنك تتعلم لغة جديدة وتحتفظ بمفكرة لأخطائك حتى لا تكررها أبداً. هل تعتقد أن طريقة استيعاب الملاحظات هذه يمكن أن تجعل نماذج الذكاء الاصطناعي أكثر موثوقية في عملك اليومي؟
تعتمد هذه التقنية حالياً على قدرة النموذج على توليد واستخدام هذه الملاحظات أثناء عملية التدريب. لا توضح الدراسة ما إذا كان هذا النهج يعمل في مهام خارج نطاق البرمجة، كما أنها لم تتطرق إلى الاستقرار على المدى الطويل في السيناريوهات الإبداعية المفتوحة.
المصدر: Apple Machine Learning Research