← أحدث الأبحاث
💬 NLP

FOCUS: Decoupling Expert Personas in LLMs to Enhance Domain Expert Capabilities

تقترح الورقة البحثية منهجية FOCUS، التي تعمل على فك الارتباط بين الشخصيات الخبيرة الخاصة بكل مجال في النماذج اللغوية الكبيرة من خلال التحلل المتعامد والبوابات التكيفية لمعالة مشكلات الاقتران بين المجالات وتعزيز دقة المهام بشكل كبير عبر المجالات عالية المخاطر مثل الرعاية الصحية والتمويل.

المؤلفون الأصليون: Guanyu Wang, Zidi Zhang, Xu Chu

نُشر 2026-08-07
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Guanyu Wang, Zidi Zhang, Xu Chu

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 أن لديك صديقاً آلياً فائق الذكاء يعرف القليل عن كل شيء. يمكنه أن يخبرك بنكتة، أو يشرح لك كيف يعمل محرك السيارة، وحتى يلقي قصيدة شعرية. لكن الجزء الصعب هنا هو أنه في بعض الأحيان، عندما تسأله سؤالاً جاداً، يرتبك بشأن "من" يجب أن يكون. إذا طلبت منه نصيحة طبية، فقد يبدأ بالخطأ في التصرف كمتداول أسهم متهور، حيث يتخذ مخاطرات كبيرة بدلاً من أن يكون حذراً. وإذا سألته عن القانون، فقد يصبح حذراً للغاية ويفوت فرصة ذكية. يحدث هذا لأن "عقل" الروبوت قد خلط كل شخصياته المختلفة في عقدة واحدة كبيرة متشابكة. يسمي العلماء هذه "الشخصيات" (personas)—وهي الطرق المختلفة التي يتصرف بها الروبوت بناءً على الوظيفة. السؤال الكبير هو: كيف نفك هذه العقد لكي يتمكن الروبوت من التبديل بين كونه طبيباً حذراً، ومتداولاً جريئاً، ومحامياً حذقاً دون أن يخلط بينهم؟

هذا بالضبط ما يعالجه فريق من الباحثين باستخدام طريقة جديدة تسمى FOCUS. فكر في عقل الروبوت كمكتبة ضخمة حيث يمثل كل كتاب فيها مهارة مختلفة. في الوقت الحالي، الكتب كلها مكدسة فوق بعضها البعض في كومة فوضوية. إذا حاولت سحب كتاب "الطب"، فستسحب معه بالخطأ كتاب "التمويل"، مما يسبب فوضى. وجد الباحثون أن مجرد قول "كن طبيباً" للروبوت ليس كافياً لأن الكومة الفوضوية لا تزال موجودة. بدلاً من ذلك، قاموا ببناء أداة خاصة لفصل الكتب بشكل مثالي. لقد أخذوا كتاب "الطب" وكتاب "التمويل" وقاموا بقطعهما وفصلهما بحيث يصبحان مستقلين تماماً. ثم أضافوا أميناً ذكياً للمكتبة (يسمى "وحدة البوابة" أو gating module) ينظر إلى سؤالك ويقرر بالضبط أي كتاب يسحب، أو حتى أي كتابين يدمجهما إذا كان السؤال معقداً.

تشير الورقة البحثية إلى أنه باستخدام خدعة رياضية تسمى "التفكيك المتعامد" (orthogonal decomposition) (وهي مجرد طريقة منمقة لقول "قطع الكتب بحيث لا تتداخل")، يمكنهم تنظيف شخصيات الروبوت. لقد اختبروا ذلك في ثلاثة عوالم مختلفة تماماً: المال (التمويل)، والقواعد (القانون)، والصحة (الطب). ووجدوا أنه عندما استخدموا طريقتهم الجديدة، أصبح الروبوت أفضل بكثير في الإجابة على الأسئلة بشكل صحيح. على سبيل المثال، في اختبار طبي، توقف الروبوت عن إعطاء إجابات محفوفة بالمخاطر قد يعطيها متداول. وفي اختبار التمويل، توقف عن كونه خائفاً جداً من اتخاذ مخاطرة مدروسة. كما اكتشف الباحثون أنه كان عليهم تعليم الروبوت في خطوتين: أولاً، أن يكون متخصصاً مثالياً في مجال واحد، وثانياً، تعلم كيفية دمج تلك التخصصات عندما يتطلب السؤال كلاهما. وبدون هذا التدريب المكون من خطوتين، كان الروبوت يصاب بالارتباك مرة أخرى.

تشير النتائج إلى أن طريقة "FOCUS" هذه تعمل بشكل أفضل من مجرد طلب تغيير الشخصية من الروبوت بلطف أو مجرد تدريبه على المزيد من البيانات. في الاختبارات التي شملت أسعار الأسهم، والعقود القانونية، والتشخيصات الطبية، حصل الروبوت الذي يستخدم FOCUS على درجات أعلى من الروبوتات الأخرى التي قيل لها فقط "كن خبيراً". الباحثون متأكدون من أن هذا ينجح لأنهم اختبروه على مجموعات بيانات من العالم الحقيقي وحتى تحققوا مما يحدث داخل عقل الروبوت ليروا أنه يختار بالفعل "الشخصية" المناسبة للوظيفة. حتى أنهم وجدوا أنه إذا رفعوا "مستوى صوت" الشخصية عالياً جداً، يبدأ الروبوت في ارتكاب الأخطاء، لذا كان عليهم إيجاد التوازن الصحيح. في النهاية، تظهر هذه الورقة أننا لسنا بحاجة لبناء روبوت جديد لكل وظيفة؛ نحن فقط بحاجة لتعلم كيفية فك تشابك الروبوت الذي نملكه بالفعل وتعليمه كيفية تبديل القبعات بشكل صحيح.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →