في طفرة جديدة بمجال الذكاء الاصطناعي.. تقنية “Thermometer” من MIT تعيد تعريف معايرة النماذج اللغوية وتعزز دقة استجاباتها بشكل غير مسبوق
كيف يمكن لتقنية “Thermometer” تحسين دقة النماذج اللغوية؟ باحثو MIT يطورون طريقة جديدة لتقليل الأخطاء وزيادة موثوقية الذكاء الاصطناعي في مختلف التطبيقات.
ابتكار جديد من MIT يحسن دقة النماذج اللغوية الكبيرة.. تقنية “Thermometer” تقدم حلاً فعالًا لمشكلة الثقة وعدم اليقين في الترجمة وتحليل النصوص والذكاء الاصطناعي.
تواجه النماذج اللغوية الكبيرة (LLMs) تحديات كبيرة تتعلق بدقة الاستجابات والثقة في النتائج، حيث يمكن أن تقدم إجابات غير صحيحة بثقة عالية، أو تكون غير واثقة من استجابات دقيقة. في خطوة لحل هذه المشكلة، طور باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) ومعمل MIT-IBM Watson AI تقنية مبتكرة تُدعى “Thermometer”، والتي تعمل كنموذج مساعد يحدد مدى دقة استجابات النماذج اللغوية دون الحاجة إلى موارد حسابية ضخمة. أثبتت التجارب أن “Thermometer” يوفر مقاييس عدم يقين دقيقة بتكلفة منخفضة مقارنة بالأساليب التقليدية، مما يجعله حلاً فعالًا لتعزيز موثوقية الذكاء الاصطناعي في الترجمة، تحليل النصوص، واكتشاف الاحتيال المالي. يسعى الباحثون الآن إلى توسيع نطاق هذه التقنية وتطبيقها على النماذج اللغوية الأكثر تعقيدًا لتحسين أدائها في مجموعة واسعة من المهام.

النماذج اللغوية الكبيرة تواجه تحديات في دقة الاستجابات والثقة
تعاني النماذج اللغوية الكبيرة من مشكلة عدم اليقين في الاستجابات، حيث قد تقدم معلومات غير صحيحة بثقة عالية أو تعاني من التردد في الإجابات الدقيقة، مما يؤثر على موثوقية التطبيقات الذكية.
معايرة النماذج اللغوية.. تحدٍ يواجه تقنيات الذكاء الاصطناعي
لضمان دقة النماذج اللغوية، تحتاج عمليات المعايرة إلى تحقيق توافق بين الثقة والدقة الفعلية، إلا أن الأساليب التقليدية تعاني من تكاليف حسابية مرتفعة تجعلها غير فعالة في الأنظمة الكبيرة.
تقنية “Thermometer”.. حل مبتكر من MIT لمعايرة الذكاء الاصطناعي
قدم فريق بحثي من MIT ومعمل Watson AI تقنية “Thermometer”، التي تعتمد على نموذج صغير يُوضع فوق النموذج اللغوي الكبير، مما يسمح بقياس دقة الاستجابات بطريقة أكثر كفاءة وفعالية.

كيف تعمل تقنية “Thermometer” على تحسين دقة النماذج اللغوية؟
يعمل “Thermometer” على ضبط درجة اليقين في استجابات النماذج اللغوية، دون الحاجة إلى مجموعات بيانات معلمة إضافية، مما يجعله حلاً مرنًا وسريعًا مقارنة بالأساليب التقليدية.
نتائج واعدة.. “Thermometer” يثبت كفاءته في التجارب العملية
أظهرت التجارب أن “Thermometer” قادر على تقليل الأخطاء وتحسين الثقة في الاستجابات بتكاليف حسابية أقل، مما يعزز كفاءة النماذج اللغوية في مختلف التطبيقات العملية.
المستقبل الواعد لتقنية “Thermometer” في الذكاء الاصطناعي
يخطط الباحثون لتوسيع نطاق “Thermometer” ليشمل نماذج لغوية أكثر تعقيدًا، بهدف تحسين الأداء في تحليل النصوص، الترجمة، والاستخدامات التجارية الأخرى.




