در اینجا نحوه آموزش به عاملهای هوش مصنوعی برای جستجو مانند کارشناسان انسانی آورده شده است
مدل GPT-4.1 با اسناد مناسب امتیاز ۹۳٪ و در صورت جستجوی خود15٪ کسب کرد. جنی موریس از Vespa.ai توضیح می‌دهد که عامل‌ها از بازیابی اطلاعات چه انتظاری دارند.
در اینجا نحوه آموزش به عاملهای هوش مصنوعی برای جستجو مانند کارشناسان انسانی آورده شده است
بازیابی اطلاعات مبتنی بر عامل (Agentic retrieval) به دلیلی یک موضوع داغ است: هر شرکتی می‌خواهد کارها را خودکار کند، اما اغلب به سادگی آمادگی آن را ندارد. همچنین راه اندازی یک عامل، هدایت آن به سمت کوهساری از داده‌ها و هزینه سنگین برای توکن‌ها جهت دستیابی به نتیجه‌ای ضعیف، بسیار آسان و وسوسه‌انگیز است.
برای آزادسازی عاملهایی که بتوانند کارها را به انجام برسانند، به رویکرد متفاوتی نیاز دارید. شما نمی‌توانید بدون اینکه ابتدا نحوه ارائه داده‌های بهتر را حل کنید، یک مدل هوش مصنوعی باهوش‌تر را به سمت یک چرخه کاری عاملی ناموفق پرتاب کنید. این کار فایده زیادی نخواهد داشت.
بنابراین شرکت‌ها چگونه باید اطلاعات خود را برای استفاده سریع و دقیق عامل‌ها آماده کنند؟ این همان چیزی است که وب‌سایت The New Stack قرار است روز چهارشنبه، ۲ دسامبر، به صورت زنده با جنی موریس از Vespa.ai بررسی کند.
شما با موفقیت در وبینار ثبت‌نام کردید.
شما ممکن است یک مدل سفارشی‌سازی‌شده را در چرخه کاری عامل خود قرار دهید تا به ترجمه بین درخواست عامل و مجموعه داده‌ای که در حال پرس‌وجو از آن است کمک کند. در حالی که این ایده ارزش دارد، اما می‌تواند با افزودن یک مرحله کامل دیگر به جستجو، تأخیر را افزایش دهد؛ چه کسی می‌خواهد کندتر کار کند یا توکن‌های بیشتری مصرف کند؟
وسپا معتقد است که مسیر پیش رو کمک به عامل‌ها برای مدیریت جستجوهای پیچیده و اغلب چندرشته‌ای و همزمان به صورت مستقل است. چگونه؟ با ارائه یک نقشه (فایل مارک‌داون) به عامل‌ها که نحوه کار ابزارهای جستجو را پوشش می‌دهد؛ بدون فیلدهای مشخص، پروفایل‌های رتبه‌بندی و سایر ابزارهایی که به طور صریح برای عامل توضیح داده نشده‌اند، ممکن است تصمیم بگیرد یک پرس‌وجوی کلی را اجرا کند که منجر به زمان پاسخ‌دهی کندتر و اطلاعات نامربوط‌تر می‌شود.
تعجب کرده‌اید که یک فایل مارک‌داون می‌تواند تا این حد قدرتمند باشد؟ تعجب نکنید. وسپا راه آنتروپیک (Anthropic) را دنبال می‌کند و مهارت‌های عامل را به بنیاد لینوکس اهدا می‌کند. کلمات فوق‌العاده قدرتمند هستند.
در این وبینار، هدف ما این است که بهتر درک کنیم چگونه دنیای شرکت‌ها را از «کنجکاو نسبت به عامل» به «آماده برای استفاده از عامل» تبدیل کنیم. بنابراین، ما با موریس گفتگو می‌کنیم تا درباره چیزی که شرکتش آن را «شمای آماده برای عامل» (agent-ready schema) می‌نامد، بیشتر بیاموزیم. از همه مهم‌تر، بررسی خواهیم کرد که رفع حداقل بخشی از شکاف زمینه چقدر دشوار است.
موریس تمامی این موارد را به صورت زنده در جلسه «آموزش عاملهای هوش مصنوعی برای جستجو مانند کارشناسان» در روز چهارشنبه، ۲ دسامبر ۲۰۲۶، ساعت ۹:۳۰ صبح به وقت اقیانوس آرام (Pacific) بررسی خواهد کرد و در طول جلسه فرصتی برای پاسخ به سوالات شما وجود خواهد داشت. همین حالا ثبت‌نام کنید تا به ما بپیوندید.
آنچه خواهید آموخت:
- چرا قابلیت مدل نمی‌تواند خطاهای بازیابی را برطرف کند، و این خطاها چگونه در طول وظایف چندمرحله‌ای انباشته می‌شوند
- چرا قبل از تغییر مدل باید بررسی کنید که یک عامل در واقع چه چیزی را بازیابی می‌کند
- چرا ابزارهای جستجوی مختص انسان برای عامل‌ها ناکافی هستند
- چگونه «شمای آماده برای عامل» (Agent-Ready Schema) و «نقشه راه مهارت» (Schema-to-Skill) به عامل‌ها کمک می‌کنند تا با استفاده از فیلدها، فیلترها و استراتژی‌های رتبه‌بندی مناسب، پرس‌وجوها را بسازند
نقشه‌های راه، مقالات، منابع و مسیرهای ایجاد شده توسط جامعه برای توسعه‌دهندگان تا به شما کمک کنند مسیر خود را انتخاب کرده و در حرفه خود رشد کنید.
نظر مهندس بهمن آبادی: شکست عاملهای هوش مصنوعی در جستجو معمولاً ناشی از ضعف مدل نیست، بلکه به خاطر عدم ساختاردهی مناسب داده‌ها و نبود مستندات متنی دقیق برای ابزارهاست. به عنوان یک توسعه‌دهنده، پیش از هدر دادن توکن‌ها روی مدل‌های سنگین، باید با ارائه نقشه‌های مارک‌داون شفاف (نقشه‌راه مهارت)، نحوه تعامل با پایگاه داده را دقیقاً به عامل تفهیم کنیم. بهینه‌سازی لایه داده و ارائه شمای مناسب به عامل، کلید اصلی کاهش تاخیر، صرفه‌جویی در هزینه‌ها و دستیابی به خروجی‌های واقعی و کاربردی است.
منبع: https://thenewstack.io/ai-agents-retrieval-agent-ready-schema/