MLCopilot: إطلاق العنان لقوة النماذج اللغوية الكبيرة في حل مهام التعلم الآلي

أصبح مجال التعلم الآلي (ML) مُعتمدًا على نطاق واسع، مما أدى إلى طلب كبير على تكييف التعلم الآلي مع سيناريوهات محددة، وهو ما يظل باهظ التكلفة وغير بسيط. تُعد النماذج السائدة لآليّة حل مهام التعلم الآلي (مثل AutoML) غالبًا بطيئة جدًا وصعبة الفهم بالنسبة للمطورين البشريين. في المقابل، رغم القدرة الاستثنائية للمهندسين البشريين على فهم المهام واستنتاج الحلول، فإن خبراتهم ومعرفتهم غالبًا ما تكون محدودة، وصعبة التوظيف من خلال الأساليب الكمية. في هذه الورقة، نهدف إلى سد الفجوة بين الذكاء الآلي والمعرفة البشرية من خلال تقديم إطار جديد، يعتمد على النماذج اللغوية الكبيرة الحديثة (LLMs) لتطوير حلول في مجال التعلم الآلي للمهام الجديدة. ونُظهر إمكانية توسيع قدرة نماذج اللغة الكبيرة على فهم المدخلات المنظمة والتفكير المعمق لحل مهام التعلم الآلي الجديدة. ونجد أن، بعد بعض التصميم المخصص، يمكن للنموذج اللغوي الكبير أن (أ) يستخلص الدروس من الخبرات الحالية في مهام التعلم الآلي، و(ب) يفكر بشكل فعّال لإنتاج نتائج واعدة في المهام الجديدة. ويمكن استخدام الحل الناتج مباشرة لتحقيق مستويات عالية من التنافسية. تتوفر أمثلة وشفرة مصدريّة على الرابط: https://github.com/microsoft/CoML.