باحثون يطورون نظاماً آلياً لتحسين أداء نماذج الذكاء الاصطناعي الصغيرة

قدمت ورقة بحثية جديدة إطار عمل آلي يسمى Turnslide، مصمم لمساعدة نماذج اللغات الصغيرة (SLMs) على تنفيذ إجراءات معقدة ومتعددة الخطوات. تحظى هذه النماذج بشعبية لقدرتها على العمل على خوادم خاصة، لكنها غالباً ما تواجه صعوبة عند الحاجة لاستخدام أدوات رقمية متعددة بتسلسل معين.

عادةً ما يتطلب تدريب هذه النماذج للتعامل مع استدعاء الأدوات كميات ضخمة من البيانات اليدوية، وهو أمر مكلف ونادر. يعالج Turnslide هذه المشكلة عبر معاملة كل أداة كجزء من نظام حوسبي منطقي (آلة الحالة المحدودة). يسمح هذا للنظام بإنتاج تسلسلات منطقية وصحيحة من الإجراءات دون الحاجة لتدخل بشري لكتابة كل مثال.

يقوم الإطار بإنشاء هذه التسلسلات وتحويلها إلى أمثلة تدريبية كاملة عبر طلب واحد فقط لنموذج أكبر. ومن خلال التركيز على توزيعات محددة لصعوبة المهام وطولها بدلاً من مجرد التنوع العشوائي، حقق الباحثون دقة أعلى.

في الاختبارات، وجد الفريق أن النماذج المدربة بهذه الطريقة وصلت إلى دقة بلغت 70.7% في المهام المطلوبة. وقد تفوقت هذه النتيجة على الأساليب الحالية التي سجلت 63.4% أو 53.7%، وذلك باستخدام رموز بيانات أقل بـ 6.6 مرات.

فكر في الأمر كتعليم طالب عبر منهج دراسي منظم بدلاً من منحه مكتبة كاملة من الكتب العشوائية. هل تعد الكفاءة هي الحدود الأخيرة لجعل الذكاء الاصطناعي القوي متاحاً على أجهزتك الخاصة؟

من المهم ملاحظة أن هذا البحث يركز على توليد البيانات الاصطناعية لقدرات استدعاء الأدوات. لا تتناول الدراسة أداء هذه النماذج في المهام الخارجة عن تسلسلات البرمجيات المحددة، أو كيفية تعاملها مع البيانات غير المنظمة في بيئات العمل الواقعية.