تتيح تقنية Deep Interaction للمطورين تحرير سلسلة استنتاج النموذج اللغوي أثناء العمل، مما يرفع نسبة نجاح التصحيح بأكثر من 25% ويقلل من استهلاك الرموز (tokens) بنحو 40% في مسائل STEM.
لماذا تقصر الحلول الحالية عن تلبية الاحتياجات
تقوم النماذج اللغوية الكبيرة (LLMs) التي تستخدم أسلوب "سلسلة الأفكار" (chain-of-thought prompting) بتفكيك الأسئلة المعقدة إلى سلسلة من الخطوات المنطقية. وعندما تخطئ خطوة واحدة، يلجأ المطورون عادةً إلى إعادة بدء المحادثة أو إضافة مطالبة تصحيحية في البداية. وكلاهما يهدر الوقت: فغالباً ما يكرر النموذج الخطأ نفسه أو يقدم اعتذاراً عاماً دون تعلم حقيقي. وينتهي الأمر بالمطورين بإرسال عشرات المطالبات لمجرد توجيه النموذج مرة أخرى إلى المسار الصحيح، مما يؤدي إلى تضخم عدد الرموز (tokens) وتكلفة الحوسبة.
ما الذي يميز Deep Interaction
تتعامل التقنية الجديدة مع مخرجات النموذج كنص قابل للتحرير بدلاً من كونها إجابة "صندوق أسود" (black-box). وتتمثل آلية العمل فيما يلي:
- تحديد الخطأ – يحدد المطور الخطوة الدقيقة غير الصحيحة في سلسلة الاستنتاج.
- التحرير في الموقع – يعيد المطور كتابة ذلك السطر، مع الحفاظ على الخطوات الصحيحة المحيطة به.
- تقطير التعديل – يقوم النظام بتحويل التصحيح الذي أجراه الإنسان إلى مطالبة موجزة تلخص المنطق المقصود.
- توجيه النموذج – يتلقى النموذج اللغوي الكبير (LLM) هذه المطالبة المقطرة ويواصل الاستنتاج من النقطة المصححة فصاعداً.
إن تزويد النموذج بتصحيح مركز بدلاً من إعادة إرسال مطالبة كاملة يتجنب إعادة توليد الأجزاء السابقة من الإجابة التي كانت صحيحة بالفعل.
مكاسب ملموسة
تظهر الاختبارات المرجعية (Benchmarks) على مجموعة من مهام STEM التأثير بوضوح. فعندما استخدم المطورون Deep Interaction، ارتفعت نسبة الإجابات المصححة بنجاح بأكثر من الربع مقارنة بأسلوب إعادة المطالبة التقليدي. وفي الوقت نفسه، انخفض استهلاك الرموز (tokens) بنحو 40%، مما أدى إلى خفض فواتير الحوسبة السحابية وتسريع التطبيقات التفاعلية.
الفئات المستفيدة
- المطورون – لم يعودوا بحاجة إلى كتابة حلقات لا نهاية لها من ضبط المطالبات (prompt-tuning). فالتعديل الواحد يمكن أن يحل زلة منطقية، مما يوفر الوقت للقيام بأعمال أكثر تعقيداً.
- الشركات التي تبني أدوات علمية أو هندسية – يعني الاستنتاج الأكثر موثوقية أخطاءً أقل في عمليات المحاكاة أو الحسابات أو مسارات تحليل البيانات.
- المستخدمون النهائيون – تؤدي الاستجابات الأسرع ورسوم الخدمة المنخفضة إلى تحسين التجربة العامة للمساعدين المدعومين بالذكاء الاصطناعي.
القيود والنقاط المقابلة
تفترض تقنية Deep Interaction قدرة المطور على تحديد وصياغة الخلل المنطقي بدقة. وفي المجالات التي يكون فيها الخطأ دقيقاً أو الاستنتاج غامضاً، قد يكون التحرير اليدوي غير عملي. كما أن المكاسب المسجلة جاءت من اختبارات مرجعية محكومة في مجال STEM.
الخلاصة
تحول Deep Interaction المطور من مستخدم سلبي إلى معلم نشط، مما يسمح بإجراء تصحيحات دقيقة ومنخفضة التكلفة لاستنتاجات النماذج اللغوية الكبيرة.