בעידן שבו מודלי שפה גדולים (LLM) מצטיינים במשימות מתמטיות וקידוד, הם נכשלים לעיתים קרובות בתכנון סמלי קלאסי – כמו הליכה דרך קירות בניגוד להוראות. מחקר חדש מציג שיטת L-ICL (למידה בהקשר מקומית), שמתקנת תכניות באופן איטרטיבי באמצעות דוגמאות ממוקדות לשלבים כושלים. השיטה מזהה את ההפרה הראשונה של מגבלות ומחדירה דוגמת קלט-פלט מינימלית לתיקון. זה מאפשר יצירת תכניות תקינות בשיעור גבוה יותר, ללא צורך בהנחיות מפורטות ארוכות.
לפי המחקר, L-ICL עדיפה בהרבה על הנחיות מפורשות או למידה בהקשר מסורתית (ICL), שמוסיפה מסלולי פתרון מלאים. בעולם רשת 8x8, השיטה השיגה 89% תכניות תקינות עם 60 דוגמאות בלבד, לעומת 59% בשיטת הבסיס הטובה ביותר – שיפור של 30%. השיפור ניכר גם בארכיטקטורות LLM שונות, מה שמעיד על גמישות גבוהה.
בנוסף לעולם הרשת, L-ICL מציגה שיפורים דרמטיים במשימות כמו ניווט ברשתות, מבוכים, סוקובן ועולם הקוביות (BlocksWorld). המחקר מדגים כיצד התיקון הממוקד מפחית הפרות מגבלות ומגביר את אמינות התכניות. זהו צעד קדימה בתחום התכנון האוטומטי, שבו דיוק חיוני ליישומים עסקיים.
המשמעות העסקית של L-ICL היא עצומה: חברות ישראליות בתחום הבינה המלאכותית יכולות לשלב אותה כדי לשפר רובוטיקה, לוגיסטיקה ואוטומציה. בהשוואה לשיטות קודמות, היא חסכונית בדוגמאות וממוקדת, מה שמקל על הטמעה במערכות קיימות. המחקר מדגיש פוטנציאל להרחבה למשימות מורכבות יותר.
עבור מנהלי עסקים, השיטה מציעה דרך יעילה לשדרג תכנון מבוסס AI. כיצד תיישמו L-ICL בפרויקטים שלכם? קראו את המחקר המלא ב-arXiv כדי להתחיל.