Η ιαπωνική εταιρεία Sakana AI παρουσίασε, σύμφωνα με το δημοσίευμα του VentureBeat, μια νέα τεχνολογία ομαδικής νοημοσύνης για μεγάλα γλωσσικά μοντέλα, με την ονομασία TreeQuest, η οποία επιτυγχάνει έως και 30% καλύτερα αποτελέσματα σε σχέση με ένα μεμονωμένο μοντέλο.
Η βασική καινοτομία, όπως αναφέρει το δημοσίευμα, είναι η μέθοδος που αποκαλείται Προσαρμοζόμενη Διακλάδωση με Αναζήτηση Μόντε Κάρλο – Adaptive Branching Monte Carlo Tree Search. Η μέθοδος αυτή, σύμφωνα με τη Sakana AI, επιτρέπει σε μια «ομάδα» διαφορετικών γλωσσικών μοντέλων να συνεργάζεται κατά τη φάση παραγωγής απαντήσεων, αντί να βασίζεται σε ένα μόνο μεγάλο μοντέλο. Με αυτό τον τρόπο αυξάνεται η ακρίβεια και μειώνονται τα λεγόμενα ψευδή αποτελέσματα.
Με το TreeQuest, όπως εξηγεί το δημοσίευμα, πολλά γλωσσικά μοντέλα μοιράζονται το ίδιο πρόβλημα και το επεξεργάζονται με διαφορετικές στρατηγικές. Στη συνέχεια, το σύστημα επιλέγει δυναμικά ποιο μοντέλο έχει τις καλύτερες πιθανότητες επιτυχίας, αξιοποιώντας την ευρετική προσέγγιση της αναζήτησης δέντρου για να βελτιώνει συνεχώς τη στρατηγική του. Έτσι, τα μοντέλα λειτουργούν σαν «ομάδα», ανταλλάσσοντας προτάσεις και λύσεις σε κάθε βήμα.
Σύμφωνα με το δημοσίευμα, οι πρώτες δοκιμές έδειξαν ότι η νέα τεχνική ξεπέρασε κατά 30% την απόδοση ενός μεμονωμένου γλωσσικού μοντέλου σε δύσκολα τεστ αναλυτικής σκέψης (ARC-AGI 2 benchmark), τα οποία περιλαμβάνουν σύνθετη συλλογιστική και επίλυση προβλημάτων. Παράλληλα, μειώθηκε σημαντικά το φαινόμενο των «ψευδαισθήσεων» που συχνά εμφανίζουν τα γλωσσικά μοντέλα, όταν δεν έχουν επαρκή πληροφόρηση.
Η Sakana AI διαθέτει ήδη το TreeQuest ως λογισμικό ανοιχτού κώδικα, με άδεια Apache 2.0, προκειμένου να το υιοθετήσουν εταιρείες και ερευνητές. Ο στόχος, όπως αναφέρει η εταιρεία, είναι να ανοίξει ο δρόμος για πιο αποδοτικές και αξιόπιστες εφαρμογές τεχνητής νοημοσύνης στο μέλλον, χωρίς να απαιτείται διαρκής εκπαίδευση τεράστιων μοντέλων. Αλλά με έξυπνο συντονισμό μικρότερων και ευέλικτων συστημάτων.
