Designing FSMs Specifications from Requirements with GPT 4.0
تقترح هذه الورقة وتقيم إطار عمل يعتمد على الخبراء ويستند إلى النماذج اللغوية الكبيرة، والذي يسخر نموذج GPT-4 لتصميم آلات الحالة المحدودة تلقائياً من متطلبات اللغة الطبيعية وإصلاحها من خلال الطفرات وتوليد الاختبارات، بهدف تحسين جودة الهندسة القائمة على النماذج وتقليل مخاطر فشل النظام.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مهندس معماري ماهر يتعين عليك بناء آلة بيع ذاتي معقدة ومؤتمتة. لديك مخطط تفصيلي مكتوب بلغة إنجليزية بسيطة: "عندما يضغط المستخدم على 'A'، أعطه صودا وانتقل إلى حالة 'فارغ'. إذا ضغط على 'B'، أعطه وجبة خفيفة وابقى في حالة 'جاهز'."
الآن، تخيل أنك وظفت مساعداً آلياً فائق الذكاء ولكنه مشتت الذهن قليلاً (GPT-4) ليقرأ مخططك الإنجليزي ويبني بالفعل مخطط التوصيلات الكهربائية (المسمى "آلة الحالات المحدودة" أو FSM).
هذه الورقة البحثية تدور حول اختبار مدى جودة قيام هذا المساعد الآلي بعمله، وما نوع الأخطاء التي يرتكبها، وكيف يمكننا إصلاح هذه الأخطاء دون الحاجة إلى إعادة بناء الآلة بالكامل من الصفر.
إليك تفاصيل تجربتهم، مشروحة ببساة:
1. الهدف: تحويل الكلمات إلى مخططات توصيل
أراد الباحثون معرفة ما إذا كان بإمكان الذكاء الاصطناعي أخذ وصف بلغة طبيعية "فوضوية" لنظام ما (مثل إشارة مرور أو آلة بيع) وتحويله إلى "مخطط تدفق" (FSM) رياضي مثالي.
- المشكلة: إذا كان المخطط خاطئاً، فقد تتعطل الآلة في العالم الحقيقي، أو تعطيك الباقي بشكل خاطئ، أو حتى تنفجر.
- الاختبار: قاموا بإنشاء آلات "مثالية" وهمية وعشوائية تماماً (تسمى Oracles) وكتبوا لها أوصافاً إنجليزية وهمية. ثم طلبوا من الذكاء الاصطناعي بناء الآلة بناءً على النص الإنجليزي فقط.
2. الأخطاء: "هفوات" عقل الروبوت
قام الذكاء الاصطناعي بعمل جيد، لكنه لم يكن مثالياً. لقد ارتكب أنواعاً محددة من الأخطاء، والتي صنفها الباحثون مثل ميكانيكي يشخص عطلاً في سيارة:
- أجزاء مفقودة: نسي الروبوت رسم سلك لضغطة زر معينة.
- توصيلات خاطئة: قام بتوصيل زر "الضوء الأحمر" بإشارة "انطلق" بدلاً من "توقف".
- ارتباك: أصيب بالارتباك بشأن الحالة التي يجب أن تكون عليها الآلة بعد ضغطة زر.
3. فريق الإصلاح: أربع طرق لإصلاح الروبوت
بما أن الروبوت يستمر في ارتكاب الأخطاء، جرب الباحثون أربع استراتيجيات مختلفة لإصلاح مخطط التوصيلات. اعتبر هذه الطرق كطرق مختلفة للتحدث مع الروبوت لجعله يصحح نفسه.
الطريقة (أ): "التصحيح المباشر" (الإصلاح النحوي/الهيكلي)
- التشبيه: تنظر إلى رسم الروبوت، وتشير إلى سلك مفقود، وتقول له: "مهلاً، لقد نسيت رسم السلك من الحالة 1 إلى الحالة 2 عند الضغط على الزر 'A'. يرجى إضافة ذلك."
- كيف نجحت: كانت هذه هي الطريقة الأكثر نجاحاً. ولأن التعليمات كانت محددة جداً وقصيرة، فهم الروبوت بالضبط ما يجب إصلاحه. لقد أصلح ما يقرب من 100% من الأخطاء.
- العائق: في العالم الحقيقي، أنت (الإنسان) لا تعرف عادةً مخطط التوصيلات الدقيق مسبقاً، لذا لا يمكنك الإشارة إلى السلك المفقود مباشرة.
الطريقة (ب): "تجربة القيادة" (تسلسلات التمييز)
- التشبيه: أنت لا تعرف التوصيلات، لكنك تعرف كيف يجب أن تتصرف الآلة. تقول: "إذا ضغطت 'A' ثم 'B'، يجب أن تصدر الآلة صفيراً مرتين. آلتك أصدرت صفيراً واحداً فقط. أصلحها!"
- كيف نجحت: كانت أقل نجاحاً. ارتبك الروبوت بسبب قائمة "ماذا لو" الطويلة من السيناريوهات. الأمر يشبه محاولة شرح رقصة معقدة لشخص يعاني بالفعل من الدوار؛ سيفقد التركيز في التفاصيل.
الطريقة (ج): "الاختبار الرئيسي" (تسلسلات التحقق)
- التشبيه: بدلاً من اختبار كل زر على حدة، تقوم بتشغيل تسلسل اختبار واحد طويل جداً يفحص كل شيء في وقت واحد. "اضغط هذا التسلسل المحدد من الأزرار، وإذا لم تفعل الآلة بالضبط هذا، فهي معطلة."
- كيف نجحت: كانت بطيئة وصعبة. حساب هذا "الاختبار الرئيسي" يتطلب الكثير من قدرة الحاسوب. كما أن الروبوت واجه صعوبة في فهم التعليمات الضخمة والمعقدة. أصلح بعض الأخطاء، ولكن ليس الكثير منها.
الطريقة (د): "تخمين النمط" (نماذج الخطأ)
- التشبيه: أدرك الباحثون أن الروبوت يرتكب نفس الأخطاء مراراً وتكراراً (مثل نسيان أسلاك "الضوء الأحمر" دائماً). لذا، قاموا بإنشاء "شبكة أمان". أخبروا الروبوت: "نحن نعلم أنك تميل إلى نسيان الأسلاك أو تبديل الألوان. إليك قائمة بكل الطرق الممكنة التي قد تكون أخطأت بها. اختر الطريقة التي تطابق إجابة الخبير."
- كيف نجحت: كانت واعدة جداً. بدلاً من مطالبة الروبوت بـ "التفكير" وإصلاح نفسه، قاموا بحصر الاحتمالات في قائمة صغيرة من الإصلاحات المحتملة وتركوا للخبير اختيار الإصلاح الصحيح. كان الأمر أشبه بإعطاء الروبوت اختباراً من متعدد بدلاً من طلب كتابة مقال منه.
4. الخلاصة الكبرى
تخلص الورقة البحثية إلى أنه بينما يجيد الذكال الاصطناعي (GPT-4) ترجمة الإنجليزية إلى كود، إلا أنه ليس مثالياً. إنه يصاب بـ "الدوار" عندما تصبح التعليمات طويلة جداً أو معقدة.
- الخبر الجيد: يمكننا إصلاح أخطاء الذكاء الاصطناعي.
- أفضل استراتيجية: لا تكتفِ بطلب "الإصلاح" من الذكاء الاصطناعي فحسب. بدلاً من ذلك، استخدم نهجاً هجيناً:
- اترك الذكاء الاصطناعي يقوم بالمسودة الأولى.
- استخدم خبيراً بشرياً لمراجعة النتائج.
- استخدم "شبكة أمان" (مثل الطريقة د) لحصر الإصلاحات الممكنة في أكثرها احتمالاً، مما يسهل على الإنسان اختيار التصحيح الصحيح.
باختصار: الذكاء الاصطناعي هو متدرب قوي، لكنه يحتاج إلى مهندس معماري ماهر لتدقيق المخططات وتوجيهه عندما يرتبك. لا يمكننا تركه يبني ناطحة السحاب بمفرده بعد، ولكن مع الأدوات المناسبة، يمكننا جعله شريكاً موثوقاً للغاية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.