اكتشاف جديد يعزز التعلم المستمر بعد النشر
أعلن باحثون في شركة بايت دانس، المالكة لتطبيق تيك توك، التوصل إلى قانون جديد يفسر كيفية تطور وكلاء الذكاء الاصطناعي أثناء تنفيذ المهام الواقعية، في خطوة قد تمثل تحولًا مهمًا في مستقبل تطوير النماذج الذكية.
ووفقًا لورقة بحثية نشرها فريق Seed AI التابع للشركة، فإن وكلاء الذكاء الاصطناعي القادرين على العمل بشكل مستقل يمكنهم مضاعفة سرعة تعلمهم كل ثلاثة أشهر من خلال التفاعل المستمر مع بيئات العالم الحقيقي واكتساب الخبرات أثناء أداء المهام.
بديل واعد مع اقتراب حدود التدريب التقليدي
يأتي هذا الاكتشاف في وقت تواجه فيه صناعة الذكاء الاصطناعي تحديات متزايدة تتعلق بفعالية أساليب التدريب التقليدية، التي تعتمد على ضخ المزيد من البيانات والقدرات الحاسوبية لتطوير النماذج.
وحذر عدد من خبراء القطاع من أن هذا النهج يقترب من حدوده العملية، خاصة مع تزايد المخاوف بشأن نضوب البيانات العامة المتاحة لتدريب النماذج خلال السنوات المقبلة، ما يدفع الشركات إلى البحث عن آليات جديدة للحفاظ على وتيرة التطور.
تطوير منصة “EdgeBench” لاختبار التعلم في البيئات الواقعية
ولفهم كيفية تعلم وكلاء الذكاء الاصطناعي بعد نشرهم، طور الباحثون منصة تقييم جديدة تحمل اسم EdgeBench، تضم 134 مهمة طويلة الأمد تغطي مجالات متعددة تشمل هندسة البرمجيات، والبحث العلمي، والرياضيات، والأعمال المعرفية المتخصصة.
وتتطلب هذه المهام تشغيل الوكيل الذكي لمدة لا تقل عن 12 ساعة متواصلة، ما يسمح بقياس قدرته على التعلم والتكيف مع التحديات الواقعية.
دراسة 38 ألف ساعة تكشف نمطًا متوقعًا للتطور
اعتمدت الدراسة على أكثر من 38 ألف ساعة من التفاعل بين النماذج الذكية والبيئات المختلفة، وشملت تقييم عدد من أبرز نماذج الذكاء الاصطناعي العالمية.
وأظهرت النتائج أن أداء الوكلاء يتبع منحنى رياضيًا يمكن التنبؤ به بدرجة عالية من الدقة، ما يشير إلى إمكانية استمرار تحسن قدرات الذكاء الاصطناعي عبر التعلم من الخبرة العملية، حتى مع تراجع العوائد الناتجة عن التدريب المسبق التقليدي.
التعلم بعد النشر قد يصبح المرحلة الأهم في تطوير الذكاء الاصطناعي
يرى باحثو بايت دانس أن التعلم المستمر بعد نشر الأنظمة في بيئات العمل الحقيقية قد يصبح بنفس أهمية مرحلة التدريب الأولي، خاصة مع توسع استخدام وكلاء الذكاء الاصطناعي في البرمجيات المؤسسية، والأبحاث العلمية، والهندسة، والقطاعات الإنتاجية المختلفة.
وأكدت الدراسة أن نجاح الجيل القادم من أنظمة الذكاء الاصطناعي سيعتمد على قدرتها على التعلم من بيئتها وتحسين أدائها بشكل متواصل أثناء تنفيذ المهام، وهو ما قد يفتح الباب أمام مرحلة جديدة من التطور المستدام في هذا المجال.
