← أحدث الأبحاث
🤖 AI

PROOF-Gen: From Optimized Data to Better Distillation

تقدم الورقة البحثية PROOF-Gen، وهي طريقة تستخدم تحسين المطالبات لكل سيناريو لاستعادة المسارات الناجحة من إخفاقات النموذج المعلم، مما يحسن بشكل كبير أداء وكلاء استدعاء الأدوات المقطرين في الاختبارات القياسية وفي خطوط الإنتاج المنشورة.

المؤلفون الأصليون: Anh Ta, Junjie Zhu, Shahin Shayandeh

نُشر 2026-08-26
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Anh Ta, Junjie Zhu, Shahin Shayandeh

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

في عالم الذكاء الاصطناعي، هناك طريقة شائعة لتعليم برنامج كمبيوتر أصغر وأسرع كيفية أداء مهام معقدة، وهي جعل برنامج أكبر وأذكى يستعرض كيفية القيام بها. هذه العملية، المعروفة باسم "التقطير" (distillation)، تعمل مثل حرفي ماهر يوضح لتلميذٍ تقنية مثالية؛ حيث يراقب التلميذ محاولات المعلم الناجحة ويتعلم محاكاتها. ومع ذلك، فإن هذه الطريقة تعاني من نقطة عمياء؛ فإذا ارتكب المعلم خطأً، يتجاهل التلميذ ببساطة تلك المحاولة وينتظر العرض الناجح التالي. وفي المجال المحدد لـ "استدعاء الأدوات" (tool-calling) — حيث يجب على الذكاء الاصطناعي أن يقرر أي الأدوات الرقمية يستخدم لحل مشكلة ما، مثل التحقق من قاعدة بيانات أو إرسال رسالة — يخلق هذا فجوة كبيرة. فالأطروحات الأكثر صعوبة هي غالباً تلك التي يكاد المعلم ينجح فيها لكنه يفشل في الخطوة الأخيرة تماماً. ولأن طريقة التعليم القياسية تستبعد حالات الإخفاق الوشيك هذه، فإن التلميذ لا يتعلم أبداً كيفية تجاوز نقطة القرار المحددة التي تسببت في الفشل، مما يترك الذكاء الاصطناعي عاجزاً عن حل السيناريوهات الأكثر تعقيداً.

لقد طور باحثون في شركة أبل طريقة جديدة تسمى "PROOF-Gen" لإصلاح هذه الفجوة. فبدلاً من التخلص من المحاولات الفاشلة، يعاملونها كفرص تعلم قيمة. فعندما يفشل برنامج "المعلم" في مهمة ما، يقوم برنامج ثانٍ أكثر تقدماً بدور "مدرب تأملي". يقوم هذا المدرب بتحليل المكان الذي أخطأ فيه المعلم بالضبط، من خلال النظر في تسلسل الإجراءات والخطأ النهائي. ثم يكتب مجموعة محددة من التعليمات، أو "دليلاً"، مصمماً لتوجيه المعلم عبر تلك المشكلة ذاتها مرة أخرى. يحاول برنامج المعلم المهمة مرة ث أخرى، متبعاً هذه المرة نصيحة المدرب الجديدة. وإذا نجح، يتم حفظ ذلك المسار الناجح كدرس جديد. ومن الأهمية بمكان أنه قبل أن يرى "التلميذ" هذا الدرس الجديد، يتم إزالة الدليل. يتعلم التلميذ فقط تسلسل الإجراءات الناجح والنظيف، وليس من التعليمات الإضافية التي ساعدت في إنشاء ذلك المسار. وهذا يضمن أن يتعلم التلميذ المهارة نفسها، وليس مجرد حفظ مجموعة من التلميحات.

إن نتائج هذا النهج مذهلة. ففي اختبارات باستخدام معيار مصمم لمحاكاة تفاعلات خدمة العملاء، أدت الطريقة القياسية المتمثلة في التخلص من الإخفاقات إلى نجاح برنامج المعلم في حوالي 7 بالمائة فقط من الحالات. أما الطريقة الجديدة فقد استردت الحلول الناجحة لـ 93 بالمائة من المهام التي فشل المعلم في إنجازها أصلاً. وعندما تم تدريب نماذج ذكاء اصطناعي أصغر على هذه المجموعة الموسعة من الدروس، تحسنت قدرتها على إكمال المهام بشكل كبير؛ حيث قفز أحد النماذج من حل 13 بالمائة من المهام إلى حل 53 بالمائة، وشهد نموذج آخر قفزة مماثلة في الأداء. وقد أكد الباحثون أن هذا التحسن جاء من تعلم المسار الصحيح عبر نقاط القرار الصعبة، وليس فقط من خلال التحسن في الأجزاء السهلة من المهمة. وفي الواقع، فإن التدريب فقط على النجاحات السهلة المختارة مسبقاً حسّن قدرة النماذج على إجراء استدعاءات فردية للأدوات، لكنه لم يساعدها على إنهاء المهمة الإجمالية. فقط من خلال تضمين الأمثلة الصعبة المستردة، تمكنت النماذج من إكمال المهمة الكاملة.

توفر هذه الطة أيضاً ميزة عملية للشركات التي ترغب في ترقية أنظمة الذكاء الاصطناعي الخاصة بها دون تغيير كيفية نطق أو سلوك الذكاء الاصطناعي. ولأن الدروس النهائية تُجرد من تعليمات التدريب، فإن الذكاء الاصطناعي يتعلم القدرة على حل المشكلات من المدرب القوي مع الاحتفاظ بالصوت والأسلوب الطبيعي لبرنامج المعلم الأصلي. وقد اختبر الباحثون ذلك في نظام إنتاج حقيقي يُستخدم لخدمة العملاء، حيث أدت هذه الطريقة إلى تحسين معدل نجاح الذكاء الاصطناعي بمقدار 6.3 نقطة مئوية. وقد ثبتت هذه المكاسب عبر عشرات اللغات والمناطق المختلفة، مما يظهر أن القدرة على التعافي من الفشل هي مهارة عالمية لا تعتمد على لغة أو سياق ثقافي محدد. ومن خلال تحويل الإخفاقات إلى عملية تعلم منظمة، أظهر الباحثون أن الطريق نحو ذكاء اصطناعي أكثر ذكاءً لا يكمن فقط في إيجاد المزيد من الأمثلة المثالية، بل في فهم وتصحيح الأمثلة غير المثالية.

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.AI →