استفاده از ارزیابی پایگاه داده برای پاداش‌دهی در یادگیری تقویتی ایجنت‌ها
مایکروسافت و هاگینگ‌فیس با معرفی ابزار ThinkingBox، نشان دادند که چگونه می‌توان وضعیت نهایی پایگاه داده را به عنوان سیگنال پاداش در آموزش ایجنت‌های هوش مصنوعی به کار گرفت و قابلیت اطمینان آن‌ها را به‌طور چشمگیری افزایش داد.
مایکروسافت و هاگینگ‌فیس در پروژه‌ای مشترک ابزاری به نام ThinkingBox را معرفی کرده‌اند که برای ارزیابی عملکرد ایجنت‌های هوش مصنوعی از طریق مقایسه وضعیت نهایی پایگاه داده با نتیجه مورد انتظار طراحی شده است. این سیستم به جای اتکا صرف به ادعاهای ایجنت، تغییرات واقعی اعمال‌شده در پایگاه داده را بررسی می‌کند.
پژوهشگران از نتایج اجرایی پایگاه داده به عنوان تابع پاداش در فرآیند یادگیری تقویتی (RL) استفاده کردند تا مدل‌های زبانی را پس از آموزش اصلی بهبود ببخشند. نتایج نشان داد که با استفاده از این روش روی مدل Qwen، میزان موفقیت و تکرارپذیری وظایف پیچیده در بنچمارک‌های ارزیابی به‌طور قابل‌توجهی افزایش یافته است.
این پژوهش همچنین به اهمیت انتخاب دقیق وظایف آموزشی و نحوه مدیریت دشواری نسبی وظایف پرداخته است. کدهای مربوط به این پشته آموزشی و ارزیابی برای استفاده پژوهشگران روی گیت‌هاب منتشر شده است تا توسعه‌دهندگان بتوانند مدل‌های خود را با دقت و قابلیت اطمینان بیشتری آموزش دهند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.