في الآونة الأخيرة، جذبت أنظمة التعلم الآلي المستندة إلى نماذج اللغات الضخمة (Large Language Models) الكثير من الاهتمام بفضل قدراتها المثيرة للإعجاب. ومع ذلك، تواجه هذه الأنظمة تحديات كبيرة تتعلق باستراتيجيات الاستكشاف المحدودة وزمن تنفيذ طويل يعوق التطوير المستمر.

هنا يأتي دور "كومبيتي إيه آي"، الإطار المبتكر في مجال التعلم الآلي الآلي (AutoML) الذي يقدم استكشافاً ديناميكياً لحقول الحلول. بدلاً من استخدام الطرق التقليدية مثل البحث في شجرة مونت كارلو (Monte Carlo Tree Search) التي تعالج الأفكار بشكل منفصل، يقوم "كومبيتي إيه آي" بإدخال مرحلة دمج تجمع بين المرشحات العليا للحلول.

زيادة على ذلك، يتم توسيع فضاء الافتراضات من خلال دمج توليد المعلومات المعزز بالاسترجاع (Retrieval-Augmented Generation) حيث يتم استنباط أفكار من دفاتر كاجل (Kaggle) وأبحاث ارXيف (arXiv) لدمج استراتيجيات واقعية.

لمواجهة فوضى التنفيذ، يعتمد "كومبيتي إيه آي" على نموذج تقديري للتقييم وطرق تصحيح سريعة، تقيم إمكانيات الحلول باستخدام مقاييس مبكرة لتجنب التنفيذ الكامل المكلف. وهذا يؤتي ثماره، إذ يسرع تقييم الأنابيب بنحو 6.9 مرات.

علاوة على ذلك، يتفوق "كومبيتي إيه آي" على الطرق الرائدة الأخرى مثل RD-agent وAIDE وMl-Master بنسبة متوسطة تبلغ 3٪ وفقاً لمعيار AutoML الرئيسي، MLE-Bench. ومن المثير للاهتمام أنه تم اقتراح "كومبيتي-بينش" لمعالجة القيود في MLE-Bench، حيث يحقق "كومبيتي إيه آي" أيضاً نتائج متطورة بشكل لم يسبق له مثيل.

إن تطوير "كومبيتي إيه آي" يمثل خطوة هائلة نحو تحسين قدرات أنظمة التعلم الآلي وجعلها أكثر فاعلية وسرعة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!