בעידן שבו מודלי שפה גדולים (LLM) שולטים בשוק ה-AI, הם עדיין נכשלים במשימות תכנון והיגיון מורכבות. מחקר חדש מאתרים arXiv מציג פתרון מבטיח: פרומפטינג מבוסס מסגרת TMK (Task-Method-Knowledge). המסגרת, שמגיעה ממדעי הקוגניציה והחינוך, מפרקת בעיות לתת-משימות ומסבירה לא רק 'מה' ו'איך', אלא גם 'למה'. זה מאפשר ל-LLM להתמודד עם אתגרים סימבוליים שבהם נכשלו בעבר. (72 מילים)
המחקר בדק את הפרומפטינג TMK על סט הבדיקות PlanBench, עם דגש על תחום Blocksworld – משימות סידור קוביות מורכבות. מודלי היגיון סטנדרטיים השיגו רק 31.5% דיוק בגרסאות אקראיות 'אטומות'. עם TMK, הדיוק זינק ל-97.3%. השיפור נובע מהפרדה ברורה בין משימה, שיטה וידע, בניגוד לשרשרת מחשבה (CoT) שספגה ביקורת על חוסר עומק אמיתי. החוקרים מדווחים על 'היפוך ביצועים' – TMK מכוון את המודלים למסלולי חשיבה פורמליים. (98 מילים)
מה הופך את TMK לייחודית? בניגוד למסגרות היררכיות כמו HTN או BDI, TMK כוללת הסברים טלאולוגיים וקוזליים, ומפרקת בעיות באופן מפורש. זה גורם ל-LLM לעבור ממצב לשוני דיפולטי לביצוע קוד פורמלי. התוצאות מצביעות על פוטנציאל לגשר בין קירוב סמנטי למניפולציה סימבולית מדויקת. (82 מילים)
לעסקים בישראל, שמשקיעים רבות ב-AI לתהליכי אוטומציה, TMK מציע כלי פרקטי. חברות כמו Mobileye או Wix יכולות ליישם זאת לפיתוח סוכני AI מתכננים טוב יותר. בהשוואה ל-CoT, TMK מספק יתרון במשימות תעשייתיות כמו לוגיסטיקה או אופטימיזציה. המחקר מדגיש את החשיבות של פרומפטינג מבוסס מדע קוגניטיבי. (85 מילים)
המסקנה: TMK אינו רק הקשר, אלא מנגנון שמנווט LLM לחשיבה פורמלית. מנהלי טכנולוגיה צריכים לבדוק זאת כבר עכשיו, במיוחד לקראת יישומים עסקיים. האם זה הצעד הבא לשילוב AI בתכנון אסטרטגי? קראו את המחקר המלא ונסו בעצמכם. (58 מילים)