בעידן שבו מודלי שפה גדולים (LLM) משמשים לתכנון משימות מורכבות, בעיה מרכזית היא נגישות חלקית: כאשר תנאים מוקדמים קריטיים אינם מצוינים בשאילתה, הדגמים נוטים להזות עובדות חסרות או לייצר תוכניות שמפרות אילוצים קשיחים. חוקרים מציגים את SQ-BCP – תכנון קטגוריאלי דו-כיווני עם שאילתות עצמיות, שמתמודדת עם האתגר הזה בצורה חכמה ומבוקרת.
SQ-BCP מייצגת במפורש את סטטוס התנאים המוקדמים בשלוש קטגוריות: Sat (מסופק), Viol (מפר), Unk (לא ידוע). כדי לפתור מצבי Unk, השיטה משתמשת בשתי אסטרטגיות: (א) שאילתות עצמיות ממוקדות לאורקל/משתמש, או (ב) השערות גישור שמבססות את התנאי החסר באמצעות פעולה נוספת. השיטה מבצעת חיפוש דו-כיווני ומשתמשת במאמת מבוסס pullback כתעודה קטגוריאלית של תאימות למטרה, כאשר ציוני מרחק משמשים רק למיון וגיזום.
החוקרים מוכיחים כי כאשר המאמת מצליח ואילוצים קשיחים עוברים בדיקות דטרמיניסטיות, התוכניות המקובלות תואמות לדרישות המטרה. בתנאי התפצלות מוגבלת ועומק רזולוציה סופי, SQ-BCP מוצאת תוכנית מקובלת אם קיימת כזו. במבחנים על משימות WikiHow ו-RecipeNLG עם תנאים מוקדמים מוסתרים, SQ-BCP הפחיתה שיעורי הפרות משאבים ל-14.9% ו-5.8% בהתאמה, לעומת 26.0% ו-15.7% בשיטת הבסיס הטובה ביותר, תוך שמירה על איכות התייחסות תחרותית.
השיטה מביאה הקשר חשוב לתחום תכנון ההסקה ב-LLM, שם שיטות קודמות נכשלות לעיתים קרובות תחת תנאים חלקיים. בהשוואה לבסליינים, SQ-BCP מציעה גישה מבוססת תיאוריית קטגוריות שמבטיחה תקינות מתמטית, מה שמאפשר אמינות גבוהה יותר ביישומים ארגוניים כמו אוטומציה של משימות עסקיות או תכנון רובוטי. בישראל, שבה חברות כמו Mobileye ו-Wix משלבות AI בתהליכים, טכנולוגיה כזו יכולה לשפר יעילות בפיתוח תוכנה.
למנהלי עסקים ומהנדסי AI, SQ-BCP פותחת אפשרויות חדשות לשילוב LLM בתהליכי תכנון אמינים יותר. השיטה מדגישה את החשיבות של שאילתות עצמיות ומאמתים פורמליים, ומצביעה על מגמה עתידית של תכנון מבוסס הוכחות. עם זאת, יישום בפועל דורש התאמה לאורקלים זמינים. בסופו של דבר, זו התקדמות שמקרבת את ה-AI ליישומים פרקטיים ללא הזיות.