افزایش سرعت جستجوی هوش مصنوعی با چارچوب Retrieve-for-Train
محققان گوگل چارچوب جدیدی به نام Retrieve-for-Train را معرفی کرده‌اند که با استفاده از یادگیری تقویتی آفلاین، یک مدل انتشار سبک‌وزن را آموزش می‌دهد. این روش با حذف هزینه‌های سنگین پردازشی در زمان استنتاج، نتایج جستجوی تخصصی و متنوعی را با سرعت بالا تولید می‌کند.
سیستم‌های جستجو و پیشنهاد مدرن نیازمند بازگرداندن مجموعه‌ای منسجم و متنوع از نتایج به جای یک مورد منفرد هستند. با این حال، وادار کردن مدل‌های زبانی بزرگ به تجزیه پرس‌وجوها در زمان استنتاج مستلزم صرف بودجه پردازشی و زمان زیادی است. در مقاله جدیدی که در کنفرانس ICML 2026 ارائه شده، راهکاری برای حل این مشکل با نام Retrieve-for-Train پیشنهاد شده است.
این چارچوب به جای وابستگی به استدلال‌های پرهزینه در زمان استنتاج، از یادگیری تقویتی آفلاین برای کشف الگوهای بهینه استفاده می‌کند و رفتارها را در یک مدل انتشار سبک‌وزن تقطیر می‌کند. این فرآیند شامل سه مرحله است و مدل را قادر می‌سازد تا در یک گذر موازی واحد در فضای امبدینگ، نتایج را با سرعتی بسیار بالا تولید کند.
نتایج ارزیابی‌ها نشان می‌دهد که این روش بین ۱۲ تا ۲۰ برابر سریع‌تر از رویکردهای خودرگرسیونی عمل می‌کند و در عین حال کیفیت بالای جستجو و تنوع نتایج را حفظ می‌کند. این دستاورد گامی مهم در جهت کاهش هزینه‌های محاسباتی و تاخیر در سیستم‌های بازیابی اطلاعات به شمار می‌رود.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.