مدل‌های تصمیم‌گیر در Hugging Face: فراتر از تولید متن با مدل‌های زبانی

هگینگ فیس به تازگی مفهوم «مدل‌های تصمیم‌گیر» (Decision Models) را معرفی کرده است؛ رویکردی نوین که مدل‌های هوش مصنوعی را از ابزارهای تولید متن به سیستم‌های تحلیلی و ساختاریافته تبدیل می‌کند. مدل‌های زبانی بزرگ (LLM) معمولاً برای تولید پاسخ متنی طراحی شده‌اند، اما در بسیاری از سناریوهای تجاری، ما نیازی به تولید متن نداریم، بلکه تنها به یک انتخاب یا دسته‌بندی مشخص نیاز داریم. مدل‌های تصمیم‌گیر با دریافت وضعیت (State) و سوالات، مستقیماً توزیع احتمالات را برای پاسخ‌های ممکن ارائه می‌دهند.

این مدل‌ها با استفاده از سه مفهوم کلیدی کار می‌کنند: «Choice» برای انتخاب از میان گزینه‌ها، «Score» برای ارزیابی در یک مقیاس عددی و «Noul» برای سوالات پاسخ‌های بله/خیر احتمالی. این رویکرد مشکلاتی نظیر ناتوانی در رعایت فرمت‌های خروجی یا اتلاف منابع برای تولید متن‌های غیرضروری در مدل‌های زبانی سنتی را حل می‌کند. به عنوان مثال، در سیستم‌های پشتیبانی مشتری، مدل تصمیم‌گیر می‌تواند بدون تولید متن اضافی، تشخیص دهد که یک تیکت مربوط به چه واحدی است و چقدر فوریت دارد.

هگینگ فیس در تلاش است تا با ایجاد یک رابط کاربری مشترک (Common Interface)، استانداردی را برای این مدل‌ها ایجاد کند. این یعنی فرقی نمی‌کند مدل از چه معماری داخلی استفاده می‌کند؛ به شرطی که از این رابط پیروی کند، می‌توان آن را از طریق ابزارهایی مانند Transformers یا llama.cpp به سادگی به کار گرفت. این استانداردسازی نه تنها به توسعه‌دهندگان کمک می‌کند تا بدون نیاز به بازآموزی مدل‌ها از آن‌ها استفاده کنند، بلکه راه را برای نسل جدیدی از ابزارهای هوش مصنوعی که بر کارایی و دقت تصمیم‌گیری تمرکز دارند، هموار می‌کند.