📊 چرا مدل‌های هوش مصنوعی در درک جدول‌ها اشتباه می‌کنند؟

محققان در پژوهش جدیدی به بررسی شکافی جالب در سیستم‌های «بازیابی اطلاعات» (RAG) پرداخته‌اند که آن را «Semantic-Answerability Gap» می‌نامند.

مشکل اینجاست که حتی وقتی مدل‌های هوش مصنوعی جدول‌های مرتبط را پیدا می‌کنند، باز هم در استخراج پاسخ دقیق از بین جدول‌هایی با ساختار مشابه دچار سردرگمی می‌شوند! 📉

این تیم برای حل مشکل، بنچمارک جدیدی به نام TCR-Bench را معرفی کرده‌اند و پیشنهاد می‌دهند با استفاده از یک مرحله بازبینی اضافه (AAR)، دقت پاسخ‌دهی مدل‌ها در مواجهه با داده‌های جدولی به طرز چشمگیری افزایش یابد. گامی مهم برای کاربردی‌تر کردن هوش مصنوعی در تحلیل داده‌های پیچیده! 💡

منبع: arXiv AI