اگر با سیستمهای هوشمند و عاملهای نرمافزاری (AI Agents) سر و کار داشته باشید، حتماً با چالش تنظیم دستورالعملها یا همان «مهارتها» (Skills) مواجه شدهاید. این مهارتها که معمولاً در فایلهای متنی ساده ذخیره میشوند، رفتار مدل هوش مصنوعی را برای کاربردهای خاص سازمانی تنظیم میکنند، اما بهینهسازی آنها تا امروز یک فرآیند دشوار و مبتنی بر حدس و خطا بوده است.
مایکروسافت با انتشار چارچوب متنباز «SkillOpt» این روند را متحول کرده است. این سیستم، سند مهارت را مانند یک شیء قابل آموزش در نظر میگیرد و با استفاده از یک حلقه بازخوردی هوشمندانه—شبیه به آموزش شبکههای عصبی—آن را به تدریج بهبود میبخشد. نکته کلیدی اینجاست که همه این بهبودها بدون کوچکترین تغییری در وزنها (Weights) مدل پایه هوش مصنوعی اتفاق میافتد. به زبان ساده، شما مدل اصلی GPT یا Qwen را عوض نمیکنید، بلکه فقط «راهنمای کاربری» هوشمند آن را ارتقا میدهید.
نتایج آزمایشها چشمگیر است: SkillOpt در ۵۲ سناریوی مختلف از مدلهای بزرگ مانند GPT-5.5 تا مدلهای سبکوزن، عملکرد را به شکل محسوسی افزایش داده است. برای مثال، دقت یک مدل کوچک در انجام کارهای چندمرحلهای تا سه برابر بهبود یافته. این فناوری به ویژه در خودکارسازی فرآیندهای حساس سازمانی مانند استخراج داده از قراردادها و فرمها، که نیازمند دقت فرمتبندی و خود-ارزیابی است، تحولآفرین خواهد بود.
تحلیل و بررسی:
SkillOpt عملاً مرز جدیدی در حوزه مدیریت و بهینهسازی عاملهای هوش مصنوعی تعریف میکند و رویکرد «بهینهسازی نرمافزار هوشمند» را جایگزین «تنظیم سختافزار مدل» میکند. این فناوری میتواند دسترسی سازمانها به سیستمهای هوشمند کارآمد و شخصیسازی شده را دموکراتیک کند، چرا که هزینه و پیچیدگی آموزش مدلهای سنگین را حذف مینماید. در آینده نزدیک، شاهد ادغام گسترده این چارچوب در پلتفرمهای توسعه هوش مصنوعی و ظهور نسل جدیدی از عاملهای خود-بهینهشونده خواهیم بود.
منبع: VentureBeat (مشاهده متن اصلی)
inoit.ir/post/214
کپی شد!