أطلقت Microsoft إطار عمل EvoLib لمساعدة نماذج الذكاء الاصطناعي على التعلم من الخبرة

نشر باحثون في Microsoft ورقة بحثية حول EvoLib، وهو إطار عمل يسمح لنماذج اللغة بتحويل تجاربها السابقة إلى معرفة قابلة لإعادة الاستخدام. وبدلاً من مجرد تخزين المحادثات الخام في أرشيف، يقوم النظام باستخراج المهارات والرؤى المفيدة، ثم يعمل على تنقيح هذه المعلومات لتطبيقها في مهام جديدة لاحقاً.

يعمل إطار العمل على تحسين الأداء من خلال دمج المعرفة وتصنيف أهميتها بناءً على فائدتها المستقبلية. تتم هذه العملية أثناء الاستدلال، مما يعني أن النظام لا يحتاج إلى تدريب إضافي أو تحديثات للمعايير لكي يتعلم، كما أنه يعمل مع النماذج المغلقة التي يتم الوصول إليها عبر واجهات برمجة التطبيقات.

في الاختبارات، قيّم الباحثون الطريقة عبر ثلاثة مجالات: الاستنتاج الرياضي، كفاءة البرمجة، واتخاذ القرارات طويلة المدى. وتفوقت هذه الطريقة على أساليب الذاكرة التقليدية في هذه الاختبارات مع استهلاك عدد أقل من الرموز. كما أظهر النظام مرونة عند تغيير ترتيب المهام بشكل عشوائي.

على الرغم من هذه النتائج، يعتمد النظام على جودة التجارب الأولية المقدمة للنموذج. لم تختبر الأبحاث كيفية توسع المكتبة على مدار فترات زمنية طويلة جداً أو مجموعات بيانات ضخمة ومتنوعة، كما أنها لا تغني عن الحاجة إلى تحسين النماذج الأساسية.