هوش مصنوعی

بازیابی مهارت در لحظه برای عامل‌های هوش مصنوعیِ درگیر وظایف طولانی

پیش‌چاپی در arXiv به محدودیت انتخاب یک مجموعهٔ ثابت از مهارت‌ها پیش از شروع کار می‌پردازد و ایدهٔ بازیابی پویا در جریان اجرا را مطرح می‌کند.

۱ دقیقه مطالعه
Figure 1: Comparison of pre-execution and just-in-time skill retrieval. (a) Pre-execution skill retrieval can miss needs revealed during execution. (b) Just-in-time retrieval acquires skills on demand as needs become obs
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

عامل‌های مبتنی بر مدل‌های زبانی بزرگ برای انجام کارهای پیچیده به کتابخانه‌های مهارت بیرونی متکی‌اند؛ اما در وظایف طولانی، از ابتدا روشن نیست کدام مهارت‌ها لازم خواهند شد. روش‌های رایج معمولاً مهارت‌ها را پیش از اجرا انتخاب می‌کنند و فرض می‌گیرند نیازهای کار از روی شرح اولیهٔ آن قابل تشخیص است.

این فرض در تعامل‌های طولانی محدودیت دارد، چون نیازهای تازه ممکن است با مشاهده‌های میانی، نتیجهٔ اجرا یا آشکارشدن قیدهای جدید پدیدار شوند. نویسندگان پیش‌چاپ «بازیابی مهارت در لحظه» را مطرح می‌کنند: انتخاب پویا و مرحله‌به‌مرحلهٔ مهارت‌ها، هم‌زمان با پیشرفت اجرا. چکیدهٔ در دسترس می‌گوید این رویکرد امیدوارکننده است، اما بازیابی مهارت چالش‌هایی دارد؛ متن موجود در این منبع پیش از توضیح کامل این چالش‌ها قطع می‌شود.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست