سروك
المقدمة
تعمل نماذج اللغات الكبيرة (LLMs) كوسيط، حيث تترجم النوايا البشرية إلى أفعال ملموسة.
ومع ذلك، تواجه هذه الوساطة مشكلتين.
قدرة النماذج على فهم وتفسير دقة الطلبات من ناحية، وقدرة المستخدمين أنفسهم على صياغة احتياجاتهم ونواياهم وأهدافهم بوضوح.
يسمح لنا نظام توزيع السياق الأمثل (SROC) بحل هذه المشكلات من خلال نهج متعدد الأبعادIA، مع الأخذ في الاعتبار حدود كل منذكاء إصطناعي وتلك الخاصة بالبشر.
يعمل هذا النظام على تحسين إدارة البيانات والمحتوى والسياقات، وبالتالي ضمان التوزيع الفعال للمعلومات على الذكاء الاصطناعي المتخصص، مع توفير معايير للبشر، حتى يتمكن الأخير من تنفيذ نواياه بشكل صحيح.
من خلال تعديل صياغة الطلبات من خلال اقتراحات النوايا والغرض وأطر التنفيذ، لا تعمل SROC على تحسين دقة الطلبات فحسب، بل تعمل أيضًا على تحسين أهمية الاستجابات الناتجة.
من خلال منع الإرهاق الحسابي وزيادة تركيز انتباه الذكاء الاصطناعي من خلال تغيير حجم نوافذ السياق ديناميكيًا، تعد SROC ليس فقط بتحسين الأداء التشغيلي في سياقات العمل المختلفة، ولكن أيضًا تجربة المستخدم.
في الواقع، تساهم SROC في تطوير مهاراتهم أثناء تفاعلهم مع الذكاء الاصطناعي، من خلال تسهيل وصولهم إلى الاستجابات المكيفة وتوجيههم نحو التعبير الجيد عن احتياجاتهم.
تعتمد هذه الوساطة التي تم تحسينها بواسطة SROC على الإدارة المتكاملة لعوامل الحد من الذكاء الاصطناعي. العوامل التي يجب فهمها لفهم تأثيراتها وأدوات التحسين التي تقبلها SROC.
العوامل المقيدة
صياغة مقدم الطلب
بالنسبة للعديد من البشر، فإن التعبير بدقة عن التوقعات في مواجهة أنظمة متقدمة مثل الذكاء الاصطناعي يمكن أن يشكل تحديًا كبيرًا، خاصة وأن الأنا لدينا تمنعنا من التشكيك في عجزنا.
في الواقع، يبدو استخدام LLM بسيطًا إلى حد طفولي، لأننا نستخدم الكلمات فقط لإصدار التعليمات.
ومع ذلك، تحمل كل كلمة عددًا كبيرًا من المعلمات التي يمكن أن تعدل بشكل جذري تفسير الاستفسارات وصياغة الاستجابات الناتجة عن الذكاء الاصطناعي.
في مواجهة ذلك، نواجه جهل لغتنا ونكتشف عدم قدرتنا على التعبير عن أنفسنا بالدقة اللازمة التي ينطوي عليها التواصل الجيد.
وبما أن التبادلات بين البشر أمر بديهي، فإن تقريبنا لا يتم التشكيك فيه أبدًا، في حين أن التبادلات مع الذكاء الاصطناعي تتطلب دقة مثالية.
تعد الدقة والبراعة والفروق الدقيقة أمرًا ضروريًا لضمان أن النتائج لا تلبي التوقعات فحسب، حتى لو كانت محددة بشكل سيئ في وقت الاستعلام، ولكنها تتجاوزها أيضًا.
يتم دعم ذلك من خلال الهندسة السريعة، التي تحكم أساسياتها، دون تدخل المستخدم، كل طلب يتم إصداره في إطار SROC.
ولكن هذا لا يكفي، لأن هناك ظاهرة جوهرية في LLMs تعمل في كل تفاعل: التعميم.
التعميم
LLMs الحاليين، الذين قاموا بتخزين جميع البيانات المتاحة تقريبًا، لا يعانون من نقص المعلومات التي يمكن ملؤها عن طريق الهندسة السريعة أو الضبط الدقيق، لكنهم يعانون من تشتت انتباههم بشكل كبير.
تكمن المشكلة في ترجيح تفسير الاستفسارات وفي ترجيح كل إجابة.
التفسير والتوليد هما فقط مجموع المتوسطات الإحصائية على مقياس جميع البيانات التي يتم استيعابها.
وهذا يعني أنه عندما يتم طلب نموذج LLM، حتى لو تم تحفيز هذا الأخير وضبطه بشكل صحيح، فإن مستوى الاهتمام المرتبط بهدف معين سيتم تخفيفه في جميع الظروف من خلال تأثير الترجيح.
يؤدي هذا إلى الحاجة إلى زيادة حجم نوافذ السياق لإلغاء تأثير التخفيف هذا من خلال الهندسة السريعة، أو تدريب النماذج على بيانات إضافية أكثر تحديدًا لتحسين سلوكها أو طريقتها في فعل الأشياء أو أهميتها.
يتم تمكين ذلك من خلال تصميم الذكاء الاصطناعي عبر SROC، حيث يدمج الأخير بنية تعمل على تحسين كفاءة أي تعليمات.
ولكن على الرغم من أن هذا أمر ضروري، لأنه يساعد على تقليل آثار التعميم، فإن أي طلب سيواجه على أي حال ظواهر أخرى وعوامل مقيدة تؤدي بدورها إلى ترجيح عام، بدءًا من عامل تعارض "الأهداف".
تضارب الأهداف الجوهرية
مثال مؤلف الإعلانات:
يجمع مؤلف الإعلانات بين العديد من المهارات، كل واحدة منها تجمع بين مهارات وتخصصات محددة أخرى.
المهارة الأولى: تحديد الهدف:
يجب أن يعرف مؤلف الإعلانات الجيد كيفية استخراج الجوانب النفسية للأهداف المحتملة للرسالة.
وهذه مهارة في حد ذاتها، والتي، لكي يتم استغلالها إلى أقصى إمكاناتها، يجب استخدامها بشكل مستقل عن أي هدف آخر، من أجل الاستفادة من عمق المهمة.
المهارة الثانية: تقنية AIDA (الانتباه/ الاهتمام/ الرغبة/ العمل)
هذه المهارة الثانية تتعارض بالفعل مع الأولى (تحديد الأهداف)، وبالتالي تضعف محور اهتمام الذكاء الاصطناعي، هو في حد ذاته عرضة لتضارب الانتباه بين أربع مهارات فرعية:
- التقطAالانتباه: يتضمن مهارات محددة تتعلق بجذب الانتباه والاحتفاظ به.
- إثارةIninterest: يتضمن القدرة على إنشاء روابط منطقية بين الأهداف والعروض التي تهدف إلى مطابقة العرض/الحاجة، وهذا يعني ضمناً وصف منطق الروابط المطابقة.
- استفزاز Dالرغبة: تتضمن مهارات محددة تسمح باستخراج عناصر النفس للعمل، حسب الاحتياجات، على الإحباطات أو المخاوف أو الرغبات.
- يشجعAالفعل: يتضمن استخدام التقنيات المناسبة التي تهدف إلى إثارة الفعل بناءً على عناصر النفس والاهتمام والرغبة.
هنا، فإن استغلال الإمكانات الكاملة لكل من المهارات المتضمنة في ما يعنيه مصطلح مؤلف الإعلانات، يؤدي إلى تضارب الأهداف.
الهدف هو جذب الانتباه، ولكن أيضًا إثارة الاهتمام، وكذلك إثارة الرغبة والتحريض على الفعل.
إذا كان البشر قادرين على التمييز بين الأشياء بشكل حدسي من خلال إعطاء أهمية أكثر أو أقل لهدف واحد بدلا من آخر اعتمادا على الظروف، فإن الذكاء الاصطناعي ببساطة غير قادر على القيام بذلك بسبب طبيعة تصميمه.
فهو يقلل تفسيره إلى مجموع الأهداف الناجمة عن كل من المهارات والمهارات الفرعية ذات الصلة، وذلك عن طريق الافتراض الاحتمالي، مما يقلل من استجابته لإضافة المتوسطات التي تكون في حد ذاتها مجموع المتوسطات الاحتمالية الأخرى.
بالنسبة لـ "كتابة الإعلانات"، كما هو الحال في أي مهنة أو مهمة أو خدمة أخرى، فإن هذه الظاهرة تحدث وتتطلب تجزئة دقيقة لكل عنصر من أجل استخلاص الأهداف المحددة حتى لا تتعارض مع بعضها البعض.
التجزئة التي يتم تمكينها بواسطة طريقة إسب (عملية التجزئة الأسية) التي تتيح SROC تنفيذها.
ولكن هذا، مرة أخرى، لا يكفي، لأن الخصوصية التي تميز الملاءمة تأتي مباشرة من تحكيم سلم الأولويات في إدارة تضارب الأهداف.
التحكيم الذي، إذا ترك للتقدير الحر لـ LLM، لا يمكن أن يؤدي إلا إلى عمومية ناتجة عن مجموع العموميات الأخرى نفسها المحددة بواسطة نهج مرجح؛ في حد ذاته بعيد جدًا عما يمكن أن تكون عليه الأهمية المتوقعة.
التحكيم في الأهمية
عند صياغة الرد، تحكيم LLMs في الخصائص ذات الصلة بالنسبة لنا.
ولا يتعلق هذا بمجال المهارات فحسب، بل يتعلق أيضًا بأي بيانات من أي نوع، سواء كانت معلومات أو تعليمات أو شرط أو ما إلى ذلك، وما إلى ذلك.
ومع ذلك، فإن التحكيم في تضارب الأهداف المتأصل في وصف الأهمية، أيًا كان مجال التطبيق، يعتمد حصريًا على التصور الشخصي لمقدم الطلب.
ولذلك فإن الأمر متروك للأخير لتوصيفه بنفسه من أجل تقييد إمكانيات التفسير الناتجة عن التعميم.
هذا مع العلم أن مقدم الطلب ليس لديه الخبرة الكافية لصياغة هذه الخصائص، ومعرفة أن هذا في نهاية المطاف هو بمثابة توصيف لمعايير ذاتيته، وهو أمر مستحيل.
فكيف يتم التحكيم في هذه الظروف؟
حسنًا، من خلال الاعتماد على معايير مستوحاة من الهياكل الاجتماعية البشرية، مما يسمح للجميع بتخيل خصائص ذات صلة، ومقبولة بشكل حدسي بما تعنيه هذه المعايير؛ وفي هذه الحالة الأطر المرجعية، مثل الشركات والإدارات والمهن.
ما تقدمه SROC أيضًا من خلال نهج مبني اجتماعيًا يكرر واقع عالم العمل.
إهمال المعلم المجسم
التجسيم هو الميل إلى إسناد الخصائص والسلوكيات والعواطف البشرية إلى الأنظمة الاصطناعية، وذلك لجعلها أكثر سهولة في الوصول إليها.
وفي سياق النماذج التحويلية، ليس علينا إلا أن نتعامل مع مجال مدخل يسمح ببدء النقاش، وبالتالي يتم إهمال الجانب المجسم.
ومع ذلك، فإن تخصيص مهنة (أو قسم أو أي إطار موحد آخر) من خلال الخصائص المجسمة يساهم أيضًا في إمكانية الوصول إليها، ليس من خلال المبادئ العاطفية أو تحديد الهوية، ولكن من خلال النقطة المرجعية التي يحفزها التجسيم المهني.
وهذا يسمح بالتأطير المسبق لأي طلب، وتوجيه نوايا مقدم الطلب نحو موضوع المهنة، وفي الواقع زيادة أهميته، دون الحاجة إلى تحكيمه وفقًا لمعايير ذاتية، لأن الأخير يتم تضمينه بشكل حدسي في المفاهيم التي تثير مصطلح المهنة .
في الواقع، فإن مصطلح "وظيفة" يثير فكرة، إدراكًا غير واعٍ لنتيجة يمكن أن تتوافق مع توقعاتنا، والتي، في نهاية المطاف، لا نعرف كيف نعبر عنها بوعي بمستوى من الدقة يكفي لتفسيرها بشكل صحيح، ولكن تعبيرها اللاواعي هو المدرجة في حدس موضوع المهنة.
وهذا يسمح بالتعبير عن خصائص الأهمية الذاتية المتوقعة، دون حتى ذكرها.
لذلك من الضروري عدم التقليل من أهمية التجسيم في سياق النماذج التحويلية من أجل اقتراح واجهات المستخدم التي تنظم التنقل باستخدام العناصر التي يمكن لحدس المستخدم الوصول إليها، بحيث تعبر اختياراته عن توقعاته له.
ومن خلال هذا الهدف، تقدم SROC نهجًا مجسمًا يجعل من الممكن تكرار عوالم الشركات والمشاريع والمهن افتراضيًا.
ولكن مرة أخرى، هذا لا يكفي، لأن هناك ظاهرة أخرى تضعف العامل المجسم: الحدود الحسابية التي تعادل عادة مصطلحات التعب والكسل في الذكاء الاصطناعي.
التعب الحسابي
يشير التعب الحسابي إلى انخفاض أداء أنظمة الذكاء الاصطناعي، الناتج عن الحمل الزائد، مما يتطلب تخفيف الحمل.
نوبات التعب هذه لا يمكن التنبؤ بها، ومتكررة (عدة مرات في اليوم)، ويمكن أن تستمر لبضع دقائق أو عدة ساعات، ولا يمكن التعرف عليها إلا من خلال ملاحظة تدهور كبير في الأهمية.
وبالتالي فإن المستخدم غير المطلع، عند إرسال طلب أثناء نوبة التعب، سيفترض أن استخدام الذكاء الاصطناعي غير مناسب لأن النتيجة سيئة.
كان من الممكن أن يصل الذكاء الاصطناعي إلى مستوى المناسبة قبل خمس دقائق من الطلب أو بعده بخمس دقائق، ولكن دون معرفة ذلك، يعلن المستخدم أنه غير مقبول.
والأسوأ من ذلك أنه يصر على الحصول على نتيجة مناسبة بالإصرار والتكرار دون الحصول على النتيجة المتوقعة، مما يثبط عزيمته على المدى الطويل.
ويزداد هذا الإحباط عندما يتم تنفيذ العمل الهندسي السريع بشكل صحيح، ويتم أخذ جميع العوامل المقيدة في الاعتبار، ولكن يتم نسيان دمج عامل التعب الحسابي في تحرير التعليمات والمعلمات.
لأن الإرهاق الحسابي لا يمنع الذكاء الاصطناعي من الاستجابة، فهو يمنعه من النظر بشكل صحيح في التعليمات وجميع الأطر التي أعطيت له، والتي من المفترض على وجه التحديد أن تضمن الملاءمة.
وبالتالي، كلما زادت الجهود المبذولة للتخفيف من العوامل المقيدة، مما أدى إلى تشبع التعليمات، زاد احتمال أن يؤدي ذلك إلى تأثير معاكس أثناء نوبات التعب، لأنه منذ ذلك الحين فصاعدًا، لم يعد الذكاء الاصطناعي أكثر قدرة على مراعاة مجمل التعليمات، وحتى أقل لإدارة الصراعات الجوهرية.
يؤدي في الوقت نفسه إلى زيادة الهلوسة، وهي ظاهرة تتكامل أيضًا مع عمل LLM، والتي تتكون من إنتاج إجابة بأي ثمن، حتى لو كانت الأخيرة خاطئة.
ومن هنا تأتي الحاجة إلى دمج إدارة التعب الحسابي في أي تفاعل مع الذكاء الاصطناعي من ناحية، والتعامل مع هذه الإدارة من خلال منظور تأثيرات التشبع من ناحية أخرى.
تشبع التعليمات
لا يؤدي تحديد جرعات حجم السياق إلى تخفيف آثار الإرهاق فحسب، بل يمنع أيضًا تحيز اختيار الاهتمام.
وتتميز هذه الظاهرة الأخرى بعدم قدرة النماذج التحويلية على النظر في نافذة السياق المتاحة بأكملها، حتى بكامل طاقتها التشغيلية.
تظهر بعض الأعمال أن حوالي 40% من حجم نافذة السياق قد تم أخذه في الاعتبار فعليًا. ورغم أن هذه النسبة تتغير باستمرار ولم يتم التوصل إلى إجماع عليها بعد، إلا أنها تلقي الضوء على قلة كفاءة الانتباه على مدى نصف النافذة على الأقل.
أكثر من كافٍ لاعتبار القدرة على إزالة التشبع سريعًا عنصرًا أساسيًا.
من ناحية، ضمان أقصى مستوى من الملاءمة في أسوأ الظروف الممكنة، وبالتالي منع التعب الحسابي.
ومن ناحية أخرى، للتأكد من أن تركيز الذكاء الاصطناعي يتم تحديده من خلال حد التحيز في الاختيار.
وينتج عن ذلك مستوى من الأهمية المنهجية، مما يساهم في تنظيم مرن للعمل بمساعدة الذكاء الاصطناعي، وبالتالي ضمان استمرارية العمليات في العمل.
ومع ذلك، فإن عملية إزالة التشبع السريعة هذه، والتي تسمح بها SROC، تقدم مرة أخرى تحكيمًا ذاتيًا يقع على عاتق البشر.
وهذا الأخير، الذي يظل هو الحكم الوحيد على الأهمية المتوقعة في وقت الطلب، يجب أن يكون قادرًا على التحكيم بسهولة في خيارات عدم التشبع الخاصة به.
اتجاه الاختيارات
يجب أن يكون المستخدم قادرًا على الاعتماد على التجزئة التي أنشأها مسبقًا طريقة إسب، من خلال استيعاب حلقات التعب الحسابي والتحيز في اختيار الاهتمام، باعتبارها الإطار المرجعي المحدد للقدرات التشغيلية الحقيقية.
وبالتالي، فإن التجزئة الدقيقة، والتي يتم افتراض مبادئها في بيئة محددة مسبقًا، ستؤدي بطبيعة الحال إلى تسميات وتسميات سياقية سيتمكن المستخدم من التعرف عليها بشكل حدسي في اللحظة التي يتعين عليه فيها إزالة تشبع الاستعلام، وتحديده في قم بإلقاء نظرة سريعة على العناصر المراد تنشيطها و/أو إلغاء تنشيطها.
يتم ذلك، عبر SROC، عن طريق إضافة عناصر السياق أو إزالتها بسرعة، بنقرة بسيطة، مما يسمح للمستخدم بتكييف السياق بدقة وسرعة وبشكل حدسي، مع التقلبات في التعب الحسابي، واضطرابات الانتباه في الذكاء الاصطناعي، ولكن أيضًا مع التقلبات في الهدف الصراعات.
دعونا نتذكر أن الزيادة في حجم التدريس تعني زيادة في الصراعات الموضوعية.
وبالتالي، فإن تأثيرات عدم التشبع السريع لا تقتصر على تعويض نقص الانتباه ومشاكل الإرهاق، ولكنها تجعل من الممكن أيضًا زيادة الملاءمة من خلال تأثير سرعة الانتباه.
وبما أن عدم التشبع يقترن ببراعة هندسة الجودة السريعة، فإنه يسمح بتحريض عدد كبير من المفاهيم من خلال الآثار الذاتية الموروثة من التوجه المجسم، كل ذلك مع الحد الأدنى من المعلمات والتعليمات.
وهذا يساهم في كل من الموثوقية والملاءمة، مع منع المواقف خارج الحدود.
ولكن لتحقيق هذه البراعة ذات الفوائد الثلاثية، لا بد من النظر إلى عامل الذكاء في حدوده المناسبة.
عامل الذكاء
مصطلح الذكاء الاصطناعي يثير الارتباك مما يجعل الجميع يعتقد أن عامل الذكاء ضروري.
ومع ذلك، لا يتضمن أي من العوامل التي تساهم في أهمية النتيجة ذكاءً ذا طبيعة مفيدة في إطار النموذج التحويلي.
إذا كان هناك بالفعل ارتباط بين المعلومات المتنوعة والمتنوعة (مع تذكر أنها يتم تنعيمها وترجيحها بشكل منهجي)، مما أدى إلى ظهور مصطلح الذكاء من خلال القدرة على نسج الروابط بين هذه المعلومات وأهميتها، فهي أكثر من ذلك بكثير.
عندما نطلب من حاملي شهادة الماجستير في القانون تنفيذ مهمة ما، فإننا لا نطلب منهم قدرتهم على إقامة روابط نعتبرها شكلاً من أشكال التفكير، لا، بل نطلب قدرتهم على الربط بين مسودة نوايانا والهدف من ذلك. فكرة غامضة عن توقعاتنا من حيث النتيجة الذاتية.
والذي يعتمد بالتأكيد على مستوى معين من الذكاء يعتمد على حجم نموذج الذكاء الاصطناعي، لأن هذا الحجم يعادل إلى حد كبير قدرات التفكير المتفوقة.
ولكن بعد تجاوز عتبة معينة، لم يعد للقدرة على التفكير أي علاقة بالأهمية، ولم يعد لها تأثير كاف على جودة النتيجة.
لأنه، مهما كانت، فإن حاملي شهادة الماجستير في القانون يخضعون لتراكم العوامل المقيدة المذكورة أعلاه، والتي لا يمكن لأي تقدم تكنولوجي حلها، خاصة وأن العامل البشري الذاتي موجود في كل مكان.
وهكذا، منذ اللحظة التي تدخل فيها الصلة التي لا تعترف بالعموميات، يصبح من غير المناسب أن نبني توقعاتنا على الذكاء المفترض للنموذج التحويلي فقط، تمامًا كما هو الحال على رافعة واحدة وفريدة من نوعها، مثل الضبط الدقيق. أو الهندسة السريعة.
نظرًا لأن فائدة LLM وأهميتها وموثوقيتها تعتمد على تجميع عوامل متعددة، كل منها من وجهات نظر متعددة، يتضمن كل منها تحكيم الخصائص الذاتية، وتتطلب الأخيرة تدخلًا بشريًا ديناميكيًا، فهي وحدها التي تحكم على أهمية النتيجة في مواجهة التوقعات التي هو نفسه غير قادر على تحديدها بدقة كافية.
كل هذا، مرارًا وتكرارًا ضمن قيود حسابية وتحت تأثير تحيزات اختيار الاهتمام، كل من هذه القيود قادر على أن يكون له تأثير عكسي في مواجهة التوقعات.
وهذا يؤكد أهمية عدم الخلط بين "الذكاء" و"الملاءمة"، من أجل التمكن من تنسيق وتوجيه الإمكانات الكاملة للماجستير في القانون في الاتجاه الصحيح، أي الملاءمة.
الذكاء مقابل الأهمية
نماذج LLM، بمعرفتها الواسعة، تشبه الوحي كلي المعرفة، الموهوبين بالاستبصار، ومطلعين في كل شيء.
ومع ذلك، حتى أوراكل لا يمكن أن يعطي إجابات ذات صلة إذا لم تحدد الاستفسارات بالتفصيل تقليص مجال التفسير، والاتجاه المرغوب للاستجابة، والسياق الشامل، والأهداف المتشابكة والفروق الدقيقة السلوكية المتوقعة في الأولويات الإدارية متغير وفقًا لمعايير ذاتية لا يمكن التحكم فيها، ومن المستحيل توقعها وحتى وصفها دون استخدام مفاهيم مستحثة ضمنيًا.
تواجه هذه الكشوفات بشكل دائم صراعات (تتطلب تحكيمًا شخصيًا) والتي يتم تقديمها في نفس الوقت من قبل المستخدم والمهندس الفوري والضبط والتدريب المسبق بواسطة التعلم العميق غير الخاضع للإشراف، لا يمكن بأي حال من الأحوال أن تكون ذات صلة على الرغم من تأثيرها. ذكاء.
لأن التعبير عن هذا الذكاء، خارج إطار يقتصر على نية محددة بوضوح، ليس أكثر من تأكيد عام تعتمد مصداقيته على ثقتنا في هذا التعبير.
ومن ناحية أخرى، فإن الإفراط في الذكاء، المبني على هذه الطرائق العامة والقدرة على التفكير، يؤدي إلى تأثيرات معاكسة.
في الواقع، يمكن لذكاء من هذا النوع أن يصنع روابط كثيرة لإمكانيات التفسير لكل كلمة مكونة تعليمات بحيث يصبح من المستحيل تركيز الانتباه على النحو المرغوب فيه، وهذا هو التعقيد.
ومن خلال زيادة التضارب الجوهري للأهداف عشرة أضعاف، والتعقيد الشديد لتوصيف الأهمية المتوقعة، فإن الذكاء في حد ذاته يولد مشاكل أكثر مما يقدم الحلول.
لأننا عندما نقرر أن نضع ثقتنا في عناصر لا نتحكم فيها، فإننا لا نخاطر فقط بتحمل مسؤولية الإنتاج المتوسط.
كما أننا نتنازل عن سيادة قراراتنا ونمحو خصوصية حكمنا على الصلة لصالح التوحيد، وذلك من خلال قبول أن المعايير الذاتية للأهمية تُملى علينا بينما تفلت منا.
وطالما تم حل مشكلة الإرهاق الحسابي من خلال التقدم التكنولوجي، تمامًا مثل مشكلة تحيز الاختيار، فإن هذا لن يحل بأي حال من الأحوال الحاجة إلى عدم التشبع الذي يهدف إلى تفاقم بعض الأولويات الموضوعية بدلاً من غيرها، بما في ذلك أن المشغل وحده هو الذي يستطيع الحكم. الصلة.
وبالتالي، على الرغم من أن النماذج التحويلية مؤهلة كأنظمة ذكاء اصطناعي، إلا أن شكل الذكاء الخاص بها ليس له فائدة تذكر في السعي إلى الأداء، خاصة بالمقارنة مع ما يمكن أن تحققه الأهمية التي يتم الحصول عليها من خلال العملية والنظر في العوامل المقيدة.
وهذا ينطبق على جميع النماذج المبنية على آليات الانتباه، لأن الأخيرة تعمل على أنماط إحصائية.
التوقيع الإحصائي
نماذج LLM ليست ملزمة بالتعميم فقط بسبب محدوديتها في السياق والحساب، ولكنها تفعل ذلك أيضًا على أسس خاطئة، لأن التعارضات التي أدخلها التدريب أو المستخدم تتشكل في حد ذاتها من خلال الترجيح العام.
وبالتالي، لا يمكن توقع أي أهمية من LLM بمجرد الثقة في ذكائها.
إن الاستجابة ذات الصلة تكون ذات صلة فقط من خلال الإهمال الإحصائي، وليس من خلال التعبير عن منطق متحكم فيه يساهم في إنجاز المهمة المطلوبة.
لأن نماذج LLM تستجيب بناءً على الأنماط الإحصائية، التي تأتي في حد ذاتها من أنماط إحصائية أخرى تم التعامل مع تعارضاتها عن طريق التعميم.
نرى هنا توقيع التعلم العميق غير الخاضع للرقابة، وهو أمر ضروري لزيادة الذكاء بالمعنى العام، ولكنه يمنع أي خصوصية وبالتالي أي صلة.
يؤدي تراكم الصعوبات هذا إلى انخفاض في عمق الاستجابات ويثير بشكل منهجي مسألة الملاءمة فيما يتعلق بالأهداف والنوايا والتوقعات.
وبالتالي، في جميع الظروف، من المناسب الاعتماد ليس على فائدة الذكاء المتفوق، ولكن على حدود هذا الأخير، من أجل استخلاص إمكاناته الحقيقية، حيث تكون الأخيرة كافية تمامًا لتطغى على العمل والنماذج المجتمعية.
ولكن ليس من دون مساعدة البشر الذين يرغبون في البقاء مسيطرين على ما ينتجونه بمساعدة الذكاء الاصطناعي.
غياب الحدود
تتطلب إدارة العوامل المقيدة وترابطها، وكذلك إدارة جرعات السياق ومعايير التجسيم، نظام إدارة موحد متعدد وجهات النظر، مبني على هذه القيود.
وذلك في بيئة تحاكي الحقائق والمعايير الإنسانية من أجل إحداث الدلالات الذاتية اللازمة للمعايير التي توجه البشر في مهامهم باستخدام الذكاء الاصطناعي.
لأنه، مهما كان مستوى ذكاء النموذج اللغوي (LLM)، فهو وسيظل غير قادر على تقديم إجابات ذات صلة تمامًا، طالما أن عمله لا يتم تأطيره بحدود محددة مسبقًا.
يجب أن تكون هذه الحدود قابلة للتعديل ديناميكيًا، مما يجعل من الممكن إدارة مستوى انتباه الذكاء الاصطناعي على أهداف معينة بدلاً من غيرها، مع إمكانية تخفيف تشبع السياق إذا لزم الأمر، مما يجعل من الممكن في جميع الظروف الحصول على تطابق مُرضٍ. بين التوقع والنتيجة.
يتوافق مع جميع الشروط المذكورة أن LLM يمكن أن يكون وسيطًا مناسبًا في تحقيق نوايانا، وتحويلها إلى مهام ملموسة.
ومن الآن فصاعدا، يصبح ذكاء النموذج ثانويا تقريبا، لأنه في هذه المرحلة من الفهم، يصبح معيار تكاليف التشغيل أكثر أهمية من الذكاء في اختيار النموذج.
لأنه عندما يتم النظر إلى العوامل المقيدة بقيمتها العادلة ويتم دمجها وفقا لذلك، فإنها تجعل من الممكن الحصول من نموذج يفترض أنه أقل ذكاء على ما يعادل ما يمكن للنموذج الأكثر ذكاء أن ينتجه من حيث الملاءمة .
والفرق هو أن النموذج الذي يعتبر أقل ذكاءً يكلف ما بين 10 إلى 100 مرة أقل لمعدل خطأ مماثل، مع مراعاة كل الأمور المتعلقة بمشكلة الهلوسة.
يعود السبب الأخير إلى نقص المعلومات المتعلقة بحجم معلمات النموذج، والتي يمكن ملؤها من خلال التجزئة القابلة للتعديل ديناميكيًا.
حل سروك
يمكن تلخيص جميع القضايا المثارة في التزام واحد: الجمع بين محاورين (إنسان/ذكاء اصطناعي) في بيئة محددة مسبقًا، مؤطرة بمعايير، وتداعيات مقبولة ضمنيًا، وأهداف تدعم البيئة أولوياتها، و بناءً على معالم مجسمة تحفز مفاهيم ضمنية ضرورية لإلغاء التشبع وزيادة تركيز الاهتمام.
ويتم ذلك من خلال دمج العنصر الأساسي الذي يمثله القيد الشامل من أجل إنشاء منطقة توافق تفضي إلى الصلة المنهجية، مع الاعتراف بالاختلافات الناتجة عن ذاتية مقدم الطلب.
تعريف سروك
SROC ل Sنظام Rتوزيع Oالأمثل Contextes هو نظام لإدارة المحتوى وتكامل منهجي ومستعرض ومتعدد الأبعاد للذكاء الاصطناعي التوليدي في تطبيقات الإدارة وحزم البرامج المتكاملة، استنادًا إلى الإدارة المصنفة للبيانات والمحتوى والسياقات المخصصة للذكاء الاصطناعي، وبالتالي ضمان التوزيع الأمثل للذكاء الاصطناعي المجسم المتخصص، من خلال نهج يأخذ في الاعتبار الحدود الجوهرية للذكاء الاصطناعي التوليدي، وكذلك الحدود المعرفية للبشر.
أهداف SROC
تشمل الأهداف المحددة لـ SROC ما يلي:
- تحسين استعلامات المستخدم: من خلال تقديم اقتراحات للنوايا بناءً على السياقات المقدمة وأطر الاستخدام، يساعد SROC المستخدمين على صياغة استعلامات أكثر دقة، وبالتالي زيادة أهمية النتائج.
- تحسين الأداء: ومن خلال تبسيط توزيع المعلومات على الذكاء الاصطناعي المتخصص، تهدف SROC إلى زيادة الكفاءة التشغيلية إلى الحد الأقصى وتقليل أخطاء المعالجة.
- زيادة رضا المستخدمين: من خلال ضمان تفاعلات أكثر سهولة تتكيف مع احتياجات المستخدم، تعمل SROC على تعزيز رضا المستخدمين ومشاركتهم في تفاعلاتهم مع أنظمة الذكاء الاصطناعي، ولا سيما بفضل أهمية الاستجابات الناتجة عن التوزيع المبسط للمعلومات من الذكاء الاصطناعي المتخصص.
- القدرة على التكيف مع الاحتياجات المتطورة: وتتميز SROC بقدرتها على التكيف مع الاحتياجات المتطورة، والاستجابة بفعالية لمتطلبات المستخدم والتكيف مع التقدم التكنولوجي. ويضمن ذلك استمرارية الأداء التشغيلي في المنظمات المدعومة بالذكاء الاصطناعي، وحدود موثوقة ذات صلة بالاستجابات المقدمة.
- المرونة في اختيار النماذج: يسمح SROC للجميع باختيار مورد نموذج المحولات الخاص بهم، بالإضافة إلى المعلمات المتعلقة بدرجة الحرارة (الحتمية والإبداع)، والحد الأقصى لكمية حجم الرموز المميزة في الإدخال و/أو الإخراج و/أو العالمية.
باختصار، تنشئ SROC بيئة حيث يمكن للذكاء الاصطناعي أن يخدم المستخدمين حقًا.
من ناحية، من خلال أدوات الأداء والمرونة الناجمة عن استغلال الذكاء الاصطناعي من نوع LLM، ومن ناحية أخرى، من خلال تحويل الطلبات التقريبية إلى نتائج دقيقة، تلبي متطلبات العالم المهني.
القدرة على إدارة العوامل المقيدة:
يسمح SROC بما يلي:
- لمعايرة تنشيط وإلغاء تنشيط السياقات بسرعة من أجل ضبط تركيزات انتباه الذكاء الاصطناعي، عن طريق تخفيف الضغط على سياق التعليمات للعناصر الأقل أولوية وفقًا للمهمة التي سيتم إنجازها. وبالتالي فإن اختيار مستوى الملاءمة يمكن تعديله من خلال عدم التشبع مع التركيز المستحث في نفس الوقت على هدف واحد.
- لتوجيه معالجة الاستفسارات حسب القسم والمهن والمهام والمهام الفرعية، من أجل تحفيز صياغة مسبقة للاستفسارات، والتي تظل بديهية للمستخدم من خلال نهج المهنة والقسم. وذلك أثناء تعليمه، من خلال الاقتراحات والتوجيهات المتأصلة في الواجهات، نهج الاستعلام الصحيح الذي يجب اعتماده لقيادته نحو الملاءمة المثلى.
- لتقسيم معالجة الطلبات من خلال نهج مبني اجتماعيًا يفهمه البشر، مما يسمح لهم بتحسين اختياراتهم لمحاور الذكاء الاصطناعي وفقًا للاحتياجات التي يدركونها، ولكنهم لا يعرفون كيفية صياغتها بالدقة اللازمة .
- لاستغلال تجزئة الأعمال الناتجة عن الاستخراج ESP ترجمتها إلى تخصصات ومهام ومهام فرعية ذات صلة. ويتم ذلك من خلال زملاء متخصصين في الذكاء الاصطناعي يرافقون جميع الذكاء الاصطناعي المجسم، كل منهم يتطور في سياق أوسع. مما يجعل من الممكن تحقيق أهمية تتجاوز التوقعات، من خلال تأثير سرعة الانتباه على مهمة واحدة.
- يسمح لك ببناء وتعيين ما يسمى بفرق الدعم "العالمية" لبيئات تنفيذ محددة، دائمًا من خلال التجزئة والتقسيم الفرعي. يمكن الوصول إلى هذه الفرق بشكل دائم، بغض النظر عن الصفحات التي تمت زيارتها، بحيث يكون التخصص الفائق في متناول اليد. هذا، دون الحاجة إلى استدعاء سياقات أخرى ودون الحاجة إلى تغيير البيئة، حيث يتم تعديل السياقات دون تدخل بشري.
- لتجزئة توزيع السياقات ذات الطبيعة المتغيرة، مثل التعيينات والأسهم والتدفقات المتحركة الأخرى التي يستحيل دمجها في الضبط الدقيق نظرًا لتقلبها. يعد هذا التجزئة المفرطة للعناصر المتغيرة أمرًا ضروريًا، لأن تأثير تحيز الاختيار يكون قويًا جدًا في هذه الظروف.
- لتقسيم السياقات حسب نوع المحتوى من أجل تقييد الفهم والتفسير للكائن الحصري الذي تتضمنه أنماط المحتوى. يشبه هذا التعيينات التي تمثل نوعًا من المحتوى، ولكن في حالة التقسيم هذه، يتم تحديد الأنواع الأخرى من المحتوى مسبقًا والتي يمكن تنقيحها وفقًا للاحتياجات الخاصة للتجزئة حسب النوع.
العناصر المكونة لـ SROC:
في وضع المشروع
وجهات نظر النية:
يتم دمج اختلافات المنظور مسبقًا في SROC مما يسمح بمعالجة الاستعلامات التالية:
- الطلبات التي يتم مشاركة نواياها من خلال سياق تدخل الإطار المرجعي والمحاورين الذين لا ينتمون إلى هذا الإطار، مع استدعاء السياقات الموحدة المشتركة لاستخدامات الواجهة الأمامية الداخلية العامة والخاصة.
- الطلبات التي يمكن أن تأتي نواياها فقط من المستخدمين المشاركين بنشاط في إطار التنفيذ، كعضو له دور أو مهنة أو إسناد مهمة معينة، واستحضار سياقات تقتصر على المستخدم المتصل، دائمًا في الإطار المرجعي.
- الطلبات التي لا يمكن إنشاء نواياها إلا من قبل المستخدمين المنفصلين، الذين لا ينتمون إلى إطار التدخل، ولكنهم يتفاعلون معه، مستدعيين سياقات التفسير ذات الصلة، ولكن يخضعون لتوجيهات الإطار المرجعي للبيئة المطلوبة.
قيم التفسير العالمية:
قيم التفسير العالمية هي سياقات منتشرة لجميع أنظمة الذكاء الاصطناعي المتدخلة في إطار بيئة مخصصة تسمى "المشروع".
تتضمن هذه القيم الشاملة المحاذاة التحريرية والتوجيه.
السياقات المنفصلة العامة:
تسمح السياقات العامة المنفصلة بتعديل اتجاه النوايا لإعطاء منظور مناسب لأهداف المهمة. يتم نشر هذه السياقات إلى جميع أنظمة الذكاء الاصطناعي التي يمكن لعامة الناس الوصول إليها، دون الحاجة إلى حساب.
التقسيم حسب نوع المحتوى
- للتدفقات المتغيرة:
- موعد
- التخطيط
- الكمية المتوفرة
- لتوجيه النية:
- استراتيجيات
- ملاحظات ومذكرة
- المحتوى الاجتماعي
- المحتوى التحريري
- محتوى البريد الإلكتروني
- الاتجاه
- الأسئلة المتداولة
* غير شاملة: ترتبط ارتباطًا مباشرًا بالقدرة على اختيار الفئات وأنواع السياقات التي سينظر فيها الذكاء الاصطناعي بشكل فردي أو من خلال الإطار العام المعروف باسم "المشروع".
في المشروع أو الوضع الشخصي
السياقات الشخصية:
يتم نشر ما يسمى بالسياقات "الشخصية" فقط للمستخدم الحالي. وبالتالي، فإن العناصر الخاصة به معروفة لجميع أنظمة الذكاء الاصطناعي التي زارها، دون أن يؤثر ذلك على المعلمات الأولية لأنظمة الذكاء الاصطناعي. يتلقى الأخير عناصر معلمات مختلفة اعتمادًا على المستخدمين الذين يستشيرونهم. وبالتالي السماح بالتنوع اللازم لتعديل النوايا من خلال التفضيلات الصريحة.
السياقات العامة:
ما يسمى بالسياقات "العامة" هي المعلومات و/أو المهارات التي يتم فرضها عالميًا على أي مستخدم (سواء كان متصلاً أم لا) يعمل داخل البيئة المخصصة. وهذا، مهما كان منظور الاستعلام، يكون دائمًا في حدود الإطار المرجعي لقيم التفسير العالمية. يتم أخذ هذه السياقات العامة بعين الاعتبار بشكل منهجي.
الذكاء الاصطناعي المجسم:
في واجهة إدارة من نوع SROC، يتمتع كل ذكاء اصطناعي بخصائصه ومعلماته الخاصة، ويعمل الأخير ضمن الإطار المرجعي العالمي المعروف باسم "المشروع".
الملف الشخصي
- الاسم
- العمر
- Genre
- صنعة
- الخدمة الرئيسية
- الوصف
- مكان العمل
تعبير :
- جودة الكتابة أو التحدث
- الطراز
- التسجيل
تأطير
- موجه الحفرة
- بداية المناقشة
PERIMETRE
- سياق التدخل
- نوع الجمهور/الجمهور
- الأهداف أو المهام المطلوب إنجازها
- الدور الوظيفي
- الموقف في سياق الصراع
المهارات
- مغروس
- محدد
معرفة
- مغروس
- محدد
انحياز
- معايير المحاذاة
إعداد النموذج
- مزود واجهة برمجة التطبيقات
- اختيار نموذج المورد
- اختيار النموذج الدقيق
- حد الإدخال
- حد الإخراج
- الجملة القصوى
زملاء فريق الذكاء الاصطناعي
يمكن أن يرافق كل ذكاء اصطناعي زملاء في الفريق، ولكل منهم خصائصه المجسمة الخاصة، ويتم توجيه كل من هذه الخصائص من خلال نوايا ما يسمى بالذكاء الاصطناعي الرئيسي، أي الذي يرافقه زملاء الفريق.
يعمل أعضاء الفريق كموظفين تحت سلطة نوايا الذكاء الاصطناعي، ضمن الإطار العام المسمى "المشروع".
يمكن إضافة أعضاء الفريق لأهداف مستقلة عن بعضهم البعض، أو إضافتهم بترتيب زمني مما يؤدي إلى عملية يتم فيها نقل استجابات الذكاء الاصطناعي الرئيسي كليًا أو جزئيًا إلى زميل الفريق الأول الذي تكون ردوده ذات صلة بهم يتم نقلها إلى زميل الفريق التالي وما إلى ذلك، مما يسمح للشخص بالتعمق الشديد في الملاءمة المطلوبة.
يعتمد تطوير هذه العملية على طريقة إسب والتي يمكن استغلالها من خلال ما يسمى بفريق جاريس.
فريق جريس
الذكاء الاصطناعي الذي يشكل فريق جاريس يرافق بشكل منهجي كل الذكاء الاصطناعي حيث يتعاون المهندسون المعماريون في تكوينه.
تعمل أنظمة الذكاء الاصطناعي الخاصة بـ TEAM Jaris أيضًا كموظفين في الذكاء الاصطناعي الرئيسي، ولكنها تتضمن، بالإضافة إلى نوايا الأخير، جميع معلماته. وبالتالي السماح للذكاء الاصطناعي لفريق جاريس بتحسين معلمات الذكاء الاصطناعي الرئيسي بشكل تدريجي.
الفرق الداعمة :
الفرق الداعمة عبارة عن مجموعات ذكاء اصطناعي مقسمة إلى أقسام تتضمن الأطر المرجعية للمشروع بالإضافة إلى الأطر المرجعية للذكاء الاصطناعي المجسم الذي يستخدمه المستخدم.
في أي صفحة أخرى، تقوم فرق الدعم فقط بدمج الأطر المرجعية لسياق التنفيذ العالمي المسمى "المشروع".
يمكن تخصيص هذه الفرق حسب قسم الأعمال والتخصصات والمهام.
يتيح ذلك للمستخدم تكوين بيئته الخاصة وفقًا لاحتياجاته الأكثر شيوعًا، مع البقاء ضمن الإطار المقيد للبيئة العامة.
الموسع التزايدي
يسمح الموسع التزايدي بالتوزيع العميق بسرعة من خلال اقتراح الذكاء الاصطناعي المخصص خصيصًا لمهام معينة، مما يعزز التركيز على الأهداف الناتجة عن اقتراح محاور الذكاء الاصطناعي المناسب.
يسمح الموسع المتزايد لأي محتوى بتجاوز حدود الطول والعمق من خلال التجديد المنهجي، عند الطلب، من خلال اختيار الكلمات أو المناطق أو الجمل أو المقاطع، والاستعلامات الأخرى التي يتم إعادة بنائها في سياق جديد هو المحتوى أو النص المحدد.
المقترحات التي يتم تقديمها عن طريق فتح مربع حوار توجه اختيار المستخدم نحو محاور الذكاء الاصطناعي المناسب، أي الشخص الذي تتركز معاييره وأهدافه على عنصر واحد من النية. وهذا يضمن الملاءمة المثلى للطلب والاستجابة المتوقعة، كما يعتقد مقدم الطلب.
تعمل أنظمة الذكاء الاصطناعي المستخدمة كجزء من الموسع التزايدي أيضًا على دمج المراجع العامة بالإضافة إلى مراجع وخصائص الذكاء الاصطناعي الرئيسي المستخدم.
ويؤدي هذا إلى مكاسب كبيرة في الملاءمة والسرعة والكفاءة، مع توفير تجربة مستخدم غنية وبديهية.