Finss.az - Son dövrlərdə süni intellektin inkişafı sürətlə irəliləyir.

Stanford Universitetinin yeni tədqiqatı isə süni intellekt agentlərinin performansını daha da artıran bir yanaşmanı təqdim edir. Tədqiqat, süni intellekt agentlərinin yalnız keçmiş uğurlu təcrübələrdən öyrənərək mürəkkəb tapşırıqlarla daha yaxşı başa çıxa biləcəyini göstərir.

Ənənəvi süni intellekt metodları, effektiv agentlər yaratmaq üçün çoxsaylı təlimatlar, xüsusi seçilmiş nümunələr və ya xüsusi fəaliyyət məkanları tələb edirdi. Bu metodlar işləyir, amma çox vaxt alır və genişləndirmək çətindir. Stanford komandası isə sadə bir alternativ təqdim edir: agentlərin, əvvəlki tapşırıqlardan uğurlu təcrübələri öyrənərək inkişaf etməsinə imkan vermək.

Stanford-un təqdim etdiyi ReAct arxitekturası ilə dil modeli hər bir vəzifə üçün plan hazırlayır, sonra isə təcrübələrə əsaslanaraq hərəkət edir. Bu yanaşma, sistemin uğurlu təcrübələri avtomatik toplayaraq yeni tapşırıqlarda istifadə etməsini təmin edir. Nəticədə, agentlər heç bir əlavə təlim məlumatı və ya model tənzimləməsi olmadan daha yaxşı nəticələr əldə edir.

Tədqiqatın nəticələri üç müxtəlif testdə uğur faizlərini əhəmiyyətli dərəcədə artırmışdır. Məsələn, ALFWorld testində doğruluq 73%-dən 89%-ə yüksəlmişdir. Bu irəliləyiş, agentlərin öz təcrübələrindən öyrənərək yeni tapşırıqlarla daha yaxşı başa çıxa bilməsini təmin edir.

Tədqiqatçılar, hansı uğurlu təcrübələrin daha faydalı olduğunu müəyyən etmək üçün iki seçmə strategiyası hazırlayıblar. DB-Selection metodunda verilənlər bazası daha sürətli şəkildə optimallaşdırılır, eyni zamanda "Nümunə Seçimi" metodu uğurlu yolların tez-tez yeni tapşırıqlarda kömək edib-etmədiyini qiymətləndirir.

Bu tədqiqat, süni intellektin inkişafında yeni bir mərhələyə keçid olduğunu göstərir. Tədqiqatın əsas mesajı odur ki, modelin ölçüsü deyil, məlumatların keyfiyyəti əhəmiyyətlidir. Yaxşı nümunələr toplamaq və onları düzgün seçmək, süni intellekt agentlərinin performansını əhəmiyyətli dərəcədə artırır.