
تبدیل نمرهدهی پایگاهداده به پاداش یادگیری تقویتی با ThinkingBox
مایکروسافت در وبلاگ هاگینگ فیس روش ThinkingBox را برای آموزش تکمیلی عاملهای هوشمند معرفی کرد که در آن نتیجه ارزیابی عملیات پایگاه داده به پاداش یادگیری تقویتی تبدیل میشود. این رویکرد بر پاداش قابل راستیآزمایی و کاهش وابستگی به برچسبگذاری انسانی تمرکز دارد.
مایکروسافت در یادداشتی که در وبلاگ هاگینگ فیس منتشر شده، رویکردی با نام ThinkingBox را برای آموزش تکمیلی (post-training) عاملهای هوشمند معرفی کرده است. ایده اصلی این روش، تبدیل نتیجه نمرهدهی عملیات عامل روی پایگاه داده به سیگنال پاداش در فرایند یادگیری تقویتی (reinforcement learning) است. در چارچوب پیشنهادی، خروجی عامل بر اساس درستی اجرای پرسوجوها و تطابق نتیجه با وضعیت مورد انتظار پایگاه داده سنجیده میشود و همین ارزیابی، مبنای پاداش قرار میگیرد. این شیوه در دسته روشهای یادگیری تقویتی با پاداش قابل راستیآزمایی (RLVR) جای میگیرد که در آن بهجای اتکا به قضاوت انسانی یا مدلهای داور، از یک محیط اجرایی قابل بازتولید برای امتیازدهی استفاده میشود. بر اساس توضیحات منتشرشده، ThinkingBox بر فرایند استدلال میانی عامل و ارتباط آن با نتیجه نهایی اجرا تمرکز دارد. مزیت اعلامشده این ساختار، مقیاسپذیری تولید داده آموزشی و کاهش هزینه برچسبگذاری دستی است؛ با این حال، در متن منتشرشده benchmark مستقل یا مقایسه عددی با روشهای پیشین ارائه نشده است. برای توسعهدهندگان ایرانی، این رویکرد در حوزههایی مانند تبدیل پرسش زبانی به پرسوجوی SQL، دستیارهای تحلیلی داده و عاملهای متصل به سیستمهای اطلاعاتی سازمانی قابل استفاده است. از آنجا که سیگنال پاداش از پایگاه داده داخلی سازمان تولید میشود، تیمها میتوانند بدون وابستگی به داده برچسبخورده گران یا سرویسهای داوری خارجی، چرخه آموزش و ارزیابی مدلهای متنباز را در زیرساخت خود اجرا کنند. این روش محدود به وظایفی است که خروجی آنها بهصورت قطعی قابل بررسی باشد و برای وظایف دارای معیارهای کیفی یا ذهنی کاربرد مستقیم ندارد. جزئیات پیادهسازی و تنظیمات آموزش در همان یادداشت وبلاگ هاگینگ فیس منتشر شده است.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




