Page 237 - Izobraževanje v dobi generativne umetne inteligence

Učinkovitost generativne umetne inteligence za personalizirano učenje matematike

Metapoziv
Izvorna težava, ki jo metapozivanje naslavlja, je omejena zmožnost LLM-jev
za učinkovito izvedbo kompleksnih nalog, še posebej tistih, ki zahtevajo
globoko in abstraktno razmišljanje. Osnovni problem tiči v arhitekturi LLM-
-jev, ki temelji na napovedovanju besed na podlagi verjetnostnih modelov.
Medtem ko je ta pristop učinkovit za širok spekter nalog, pa ni optimalen za
tiste naloge, ki zahtevajo analitično in sofisticirano razmišljanje, primerljivo s
človeškim. Doslej so raziskovalci razvili več metod za izboljšanje zmogljivosti
modelov, npr. z vodenjem modelov pri artikulaciji vmesnih korakov med re-
ševanjem kompleksnih problemov. Vendar te metode pogosto niso zadostno
naslovile globine in fleksibilnosti človeškega mišljenja. Metapozivanje pa pre-
mika pou darek z vsebine na strukturo naloge, s čimer vzpostavlja funkcional-
no povezavo med nalogo in pripadajočim pozivom. Ključna značilnost tega
pristopa je, da LLM-jem omogoča samostojno generiranje novih, izboljšanih
pozivov, ki bolje ustrezajo njihovim sposobnostim (Zhang idr., 2023). Shukla
idr. (2024) poudarjajo, da metapozivanje temelji tudi na konceptu komuni-
kacije med modeli UI. Ta lahko vključuje dialoge med dvema modeloma UI
ali celo med modelom in samim sabo. Takšni pogovori simulirajo kognitivne
procese, kot so refleksija, sprejemanje odločitev in zavedanje, s čimer pod-
pirajo izboljšano avtonomno delovanje UI. Qinyuan Ye idr. (2023) metapozi-
vanje opisujejo kot večstopenjski proces, ki vključuje ključne komponente,
kot so analiza trenutnega poziva in niza primerov, generiranje izboljšanega
poziva, specifikacija konteksta ter oblikovanje predlogov za sklepanje korak
za korakom.
Na podlagi teh pristopov lahko uporabnik strukturira interakcijo z LLM na
naslednji način:

1. Najprej oblikuje poziv po lastnem razumevanju in ga vnese v model z
dodatnim navodilom, da naj model iz tega generira ustreznejši poziv.
Cilj je, da ta novi poziv bolje ustreza potrebam modela in zagotavlja
jasna navodila za izvedbo ključne naloge.
2. Nato uporabnik v model vnese nov, izboljšan poziv, ki ga je generiral
LLM oz. ga po njegovih predlogih sam izboljša. Model na podlagi tega
zagotovi rešitev, ki ustreza zahtevam uporabnika.

Takšna dvofazna interakcija omogoča optimizacijo komunikacije z LLM in
zagotavlja relevantnejše ter kakovostnejše rešitve.

237