باحثون دربوا نماذج ذكاء اصطناعي صغيرة على تقديم أدلة لقراراتها دون مساعدة بشرية

تستكشف ورقة بحثية جديدة كيفية تعليم نماذج الذكاء الاصطناعي شرح منطقها حتى في ظل غياب بيانات تدريب كاملة. غالباً ما تحتفظ الشركات بسجلات للقرارات النهائية دون تدوين الأدلة المحددة التي أدت إلى تلك القرارات.

بما أن تصنيف هذه البيانات يدوياً مكلف، تتعلم النماذج عادةً محاكاة النتيجة النهائية دون فهم السياق. اختبر الباحثون طريقتين لمعرفة ما إذا كانت النماذج قادرة على استعادة هذه الأدلة المفقودة باستخدام سجلات القرارات فقط.

استخدموا أولاً طريقة تدريب تعتمد على الملصقات فقط، مما دفع النموذج لمواءمة مخرجاته مع القرار النهائي. ثم استخدموا تقنية تسمى أخذ العينات بالرفض، حيث يحتفظ النظام فقط بالتفسيرات المولدة التي تطابق النتيجة المسجلة.

أظهرت كلتا الطريقتين تحسناً ملحوظاً. أصبح النموذج أفضل في تقديم اقتباسات فعلية من المستندات بدلاً من مجرد التخمين. هذا أمر حيوي، لأن القرار الصحيح غالباً ما يكون بلا قيمة في المراجعات المهنية إذا لم يتمكن أحد من التحقق من كيفية وصول الذكاء الاصطناعي إليه.

تخيل أنك تسأل ذكاءً اصطناعياً قانونياً عما إذا كان العقد صالحاً. قد يجيب بنعم، ولكن بدون اقتباس، ستضطر لقراءة المستند كاملاً للتحقق من عمله. القدرة على تتبع تلك الإجابة إلى بند محدد تجعل الذكاء الاصطناعي أكثر فائدة.

مقاييس الدقة وجودة الاستشهاد لا تتوافق دائماً. قد يصل النظام للإجابة الصحيحة لأسباب خاطئة، مما يجعله غير موثوق للمراجعة المهنية. يوضح هذا البحث أننا بحاجة لإعطاء الأولوية للأدلة الشفافة.

رغم أن هذه النتائج واعدة، اقتصرت الدراسة على مجموعات بيانات محددة مثل ContractNLI. أشار الباحثون إلى أنهم لا يستطيعون بعد تحديد الطريقة الأفضل بشكل قاطع، حيث تختلف فعالية هذه التقنيات بناءً على البيانات المستخدمة.