تقنية جديدة من MIT تجعل كود الذكاء الاصطناعي أكثر دقة
في خطوة مبتكرة لتحسين نتائج نماذج اللغة الكبيرة (LLMs) طور باحثون من MIT تقنية جديدة توجه الذكاء الاصطناعي لإنتاج أكواد برمجية دقيقة وخالية من الأخطاء بأي لغة برمجة وبتكلفة حسابية أقل.
تفاصيل الخبر:
في خطوة مبتكرة لتحسين نتائج نماذج اللغة الكبيرة (LLMs)، طوّر باحثو MIT وآخرون تقنية جديدة تسمح بإنتاج أكواد دقيقة وملتزمة بالقواعد البرمجية:
- تعاني نماذج الذكاء الاصطناعي أحيانًا من توليد أكواد غير صحيحة أو لا تعمل عند التنفيذ.
- الطرق التقليدية لفحص صحة الأكواد إما تُشوّه المعنى الأصلي أو تستهلك وقتًا ومعالجة ضخمة.
- التقنية الجديدة تعتمد على توجيه النموذج تلقائيًا نحو مخرجات واعدة من حيث الصحة البنيوية والدقة الدلالية.
- يتم ذلك باستخدام خوارزمية تُدعى Sequential Monte Carlo، والتي تُخصص موارد أكبر للأكواد ذات احتمالية الصحة الأعلى.
- كل ناتج يحصل على وزن يقيس مدى التزامه بالقواعد البرمجية والمعنى المطلوب، ويتم تجاهل المخرجات الضعيفة تدريجيًا.
- يُمكن استخدام الطريقة مع أي بنية أو تنسيق معين، مثل SQL أو Python أو حتى تخطيط تحركات الروبوتات.
لماذا هذه التقنية مهمة من نظر MIT؟
التقنية لا تعتمد على تدريب النموذج من جديد، بل على هندسة المعرفة وإدخال إشراف ذكي لتوجيه النموذج:
- تساعد الغير مختصين مثل رجال الأعمال على توليد استعلامات SQL باستخدام اللغة الطبيعية.
- ترفع من كفاءة نماذج صغيرة الحجم، حيث تفوقت نماذج مفتوحة المصدر صغيرة على نماذج تجارية أكبر باستخدام هذا النهج.
- تقلل من استهلاك الموارد الحاسوبية مقارنةً بالطرق التقليدية في التأكد من صحة الكود.
- تتيح دمج الذكاء الاصطناعي في التحليل البياني، البحث العلمي، واكتشاف البيانات بدقة أعلى.
- تمهد الطريق لأدوات ذكاء اصطناعي تفهم المعنى الحقيقي لأسئلة المستخدم وتترجمها إلى استعلامات فعالة.
- يمكن توظيفها في تطبيقات الذكاء الاصطناعي في التعليم لتقديم أكواد واضحة وسليمة للطلاب.
- تعزز مفهوم “اسأل الذكاء الاصطناعي” بإجابات تقنية دقيقة لا تسبب أعطالًا.
تُعد هذه التقنية قفزة نحو تمكين الذكاء الاصطناعي من كتابة أكواد برمجية دقيقة دون التضحية بالمعنى أو استهلاك ضخم للموارد.
