ما المقصود بالمطالبة بسلسلة الأفكار (CoT)؟

يتم استخدام هندسة المطالبات في الذكاء الاصطناعي لتحسين المدخلات (المطالبات) للحصول على أدق المخرجات من النموذج. في هذه الدراسة، تم تقديم مفهوم المطالبة بسلسلة الأفكار الذي يُتيح للنماذج اللغوية الكبيرة التفكير خطوة بخطوة.¹ ويشير البحث إلى أن توجيه النماذج لتوليد خطوات تفكير وسيطة يعزز بشكل كبير قدرتها على حل المشكلات متعددة الخطوات بدقة، مثل الحساب والمنطق السليم والتفكير الرمزي. 

وقد استلهم الباحثون قدرة النماذج اللغوية الكبيرة على "التفكير بصوت عالٍ" باللغة الطبيعية، مشيرين إلى أنه مع زيادة حجم المَعلمات، زادت القدرة على التفكير والدقة. لهذا السبب، تُعَد المطالبة بسلسلة الأفكار (CoT) قدرة ناشئة، أي قدرة تظهر مع زيادة حجم النموذج أو تعقيده. تميل النماذج اللغوية الكبيرة إلى الأداء بشكل أفضل؛ لأنها تعلمت أنماط استدلال أكثر تفصيلًا من التدريب على مجموعات بيانات ضخمة. 

ومع ذلك، فإن زيادة حجم النموذج ليست الطريقة الوحيدة لتحسين دقة حل المشكلات عبر مجموعة متنوعة من المقاييس. أتاحت التطورات، في ضبط التعليمات، للنماذج الصغيرة أداء التفكير التسلسلي (CoT). على سبيل المثال، يتم ضبط نماذج IBM® Granite Instruct باستخدام مجموعة بيانات تدريبية متخصصة تتضمن المطالبات التعليمية والنماذج لمهام تسلسل الأفكار (CoT). المثال النموذجي هو مثال على المطالبة يستخدمه النموذج كطريقة مثالية للاستجابة.

تُحاكي المطالبة بسلسلة الأفكار عمليات التفكير التي تشبه تلك التي يقوم بها الإنسان من خلال تقسيم المشكلات المعقدة إلى خطوات وسيطة يمكن التحكم فيها والتي تؤدي بشكل متسلسل إلى إجابة قاطعة.² يهدف هيكل حل المشكلات خطوة بخطوة إلى المساعدة على ضمان أن تكون عملية التفكير واضحة ومنطقية وفعَّالة.

في تنسيقات المطالبة القياسية، تكون مخرجات النموذج عادةً استجابة مباشرة للإدخال المقدَّم. على سبيل المثال، قد يتم تقديم مطالبة إدخال تسأل: "ما لون السماء؟" فيُنتج الذكاء الاصطناعي إجابة بسيطة ومباشرة مثل: "السماء زرقاء". 

ومع ذلك، إذا طُلب منه شرح سبب زُرقة السماء باستخدام المطالبة بسلسلة الأفكار (CoT)، سيبدأ الذكاء الاصطناعي أولًا بتعريف معنى "الأزرق" (كلون أساسي). يستنتج الذكاء الاصطناعي بعد ذلك أن السماء تبدو زرقاء؛ بسبب امتصاص الغلاف الجوي للألوان الأخرى. توضِّح لنا هذه الاستجابة مدى قدرة الذكاء الاصطناعي على بناء حجة منطقية.

لإنشاء مطالبة، يُضيف المستخدم عادةً توجيهًا في نهاية مطالبته. غالبًا ما يضيف المستخدمون تعليمات إلى مطالبتهم مثل: "صِف خطوات التفكير" أو "اشرح إجابتك خطوة بخطوة". في جوهرها، تطلب تقنية المطالبة هذه من النموذج اللغوي الكبير ألّا يقتصر على توليد النتيجة، بل أن يوضح أيضًا سلسلة الخطوات الوسيطة التي قادته إلى تلك الإجابة.³

تُعَد سلسلة المطالبات طريقة شائعة أخرى تُستخدم في تطبيقات الذكاء الاصطناعي التوليدي؛ لتعزيز الموثوقية من خلال استخدام عدة موجِّهات تتكامل مع بعضها بالترتيب لتفكيك المهام المعقدة. التقنيات مثل سلسلة المطالبات وسلسلة الأفكار (CoT) توجِّه النموذج للتفكير خطوة بخطوة عند حل المشكلة، بدلًا من القفز مباشرةً إلى إجابة تبدو صحيحة فقط. يمكن أن تكون هذه الطريقة مفيدة أيضًا في قابلية الملاحظة وتصحيح الأخطاء؛ لأنها تشجع النموذج على أن يكون أكثر شفافية في تفكيره. الاختلاف الرئيسي بين هاتين الطريقتين هو أن سلسلة المطالبات ترتِّب عدة مطالبات لتقسيم المهام خطوة بخطوة، بينما تحفِّز المطالبة بسلسلة الأفكار (CoT) عملية تفكير النموذج داخل مطالبة واحد.

تستخدم المطالبة بسلسلة الأفكار (CoT) النماذج اللغوية الكبيرة (LLMs) لصياغة سلسلة متتابعة من خطوات التفكير، وتوجيه النموذج نحو توليد سلاسل تفكير مماثلة للمهام الجديدة. كل ذلك يتم من خلال موجِّهات قائمة على نماذج مثالية توضِّح عملية التفكير، ما يؤدي إلى تحسين قدرة النموذج على معالجة تحديات الاستدلال المعقدة.⁴ فيما يلي نحاول فهم كيفية تدفق أسلوب الأوامر هذا من خلال معالجة مسألة رياضية كلامية تقليدية: وهي حل معادلة كثيرة الحدود.

يمكن للمطالبة بسلسلة الأفكار أن تساعد بشكل كبير على حل المعادلات كثيرة الحدود من خلال إرشاد النموذج اللغوي الكبير (LLM) لاتِّباع سلسلة من الخطوات المنطقية، وتفكيك عملية حل المشكلة.⁵ لنستعرض كيف يمكن للمطالبة بسلسلة الأفكار معالجة معادلة كثيرة الحدود.

ولنأخذ مثالًا على حل معادلة تربيعية.

المطالبة المدخلة: حل المعادلة التربيعية: x² - 5x + 6 = 0

عند إعطاء هذا الموجِّه إلى IBM® watsonx.ai، يمكننا مشاهدة الحوار التالي بين سؤال الإنسان ورد مساعد الذكاء الاصطناعي.

لإنشاء هذا النوع من المخرجات، تعمل أساسيات CoT كما هو موضَّح في الصورة التالية. الإجابة النهائية لسلسلة الأفكار ستكون "الحلول الممكنة للمعادلة x² − 5x + 6 = 0 هي x = 3 و x = 2".

تطورت منهجية المطالبة بسلسلة الأفكار (CoT) إلى العديد من المتغيرات المبتكرة، حيث تم تصميم كل منها خصيصًا لمعالجة تحديات محددة وتعزيز قدرات النموذج على التفكير بطرق فريدة. وبالفعل أثمرت هذه التعديلات عن اتساع طريقة سلسلة الأفكار لتمتد إلى مختلَف القطاعات، ليس هذا فحسب بل أدت أيضًا إلى صقل عملية حل مشكلات النموذج وتحسينها.⁶

يستفيد متغير سلسلة الأفكار بنمط المطالبة الصفرية من المعرفة الكامنة داخل النماذج لمعالجة المشكلات دون الحاجة إلى أمثلة سابقة محددة أو ضبط دقيق للمهمة المطروحة. وتظهر لنا القيمة الكبيرة لهذا النهج خاصةً عند التعامل مع أنواع جديدة أو متنوعة من المشكلات حين لا تتوفر بيانات تدريب تفصيلية.⁷ حيث يستفيد هذا النهج من خصائص المطالبات القياسية والمطالبات بخطوات قليلة.

على سبيل المثال، عند معالجة السؤال: "ما عاصمة الدولة التي تقع على الحدود مع فرنسا ولها عَلم باللون الأحمر والأبيض؟"، فإن النموذج الذي يستخدم سلسلة الأفكار القائمة على المطالبة الصفرية سوف يستعين بمعرفته الجغرافية ومعرفته بأنواع الأعلام المضمنة لاستنتاج الخطوات المؤدية إلى الإجابة الصحيحة وهي "سويسرا"، رغم عدم تدريبه صراحةً على مثل هذه الاستعلامات.

تهدف سلسلة الأفكار الآلية (auto-CoT) إلى تقليل الجهد اليدوي عند صياغة المطالبات من خلال إنشاء واختيار مسارات تفكير فعَّالة بشكل آلي. وهذا المتغير يحسِّن قابلية التوسع وسهولة وصول طريقة تحفيز سلسلة الأفكار إلى مجموعة أكبر من المهام والمستخدمين.^{8، 9}

على سبيل المثال، لحل مسألة رياضيات مثل: "إذا اشتريت 5 تفاحات ولديك بالفعل 3، فكم يصبح المجموع؟"، يمكن لنظام auto-CoT أن يولِّد خطوات وسيطة تلقائيًا. قد تتضمن هذه الخطوات مثل: "ابدأ بـ 3 تفاحات" و"أضف 5 تفاحات إلى الثلاث الموجودة"، لتنتهي بـ "إجمالي التفاحات = 8"، ما يسهِّل عملية التفكير دون تدخل بشري.

تعمل سلسلة الأفكار متعددة الوسائط على توسيع إطار عمل سلسلة الأفكار لتشمل المدخلات من مختلَف الوسائط اللغوية المتنوعة، كالنصوص والصور، ما يمكِّن النموذج من معالجة ودمج أنواع متنوعة من المعلومات عند التعامل مع مهام التفكير المعقدة.⁶

على سبيل المثال، عند عرض صورة لمشهد شاطئ مزدحم والسؤال: "هل من المحتمل أن يكون هذا الشاطئ مشهورًا في الصيف؟"، يمكن لنموذج يستخدم CoT متعدد الوسائط (multimodal CoT) تحليل المؤشرات البصرية. تساعد الإشارات مثل إشغال الشاطئ وحالة الطقس وغيرها، إلى جانب فهم النموذج النصي لشعبية الموسم، النموذج على استنتاج إجابة تفصيلية. قد يكون الرد المحتمل: "الشاطئ مزدحم، ما يشير إلى شعبيته العالية، ومن المحتمل أن يزداد ازدحامًا في الصيف".

وهذه المتغيرات الخاصة بتحفيز سلسلة الأفكار تُظهر المرونة والقدرة على التكيف في طريقة سلسلة الأفكار، ليس هذا فحسب بل تشير إلى قدرات هائلة في تطوير طرق تفكير الذكاء الاصطناعي مستقبلًا وقدرته على حل المشكلات.

تُعَد المطالبة بسلسلة الأفكار طريقة فعَّالة لتحسين أداء النماذج اللغوية الكبيرة في مهام الاستدلال المعقدة، وتوفِّر مزايا كبيرة في قطاعات متنوعة؛ كتحسين الدقة والشفافية، وتعزيز قدرات الاستدلال متعدد الخطوات. ومع ذلك، من الضروري مراعاة محدودياته، بما في ذلك الحاجة إلى مطالبات عالية الجودة، وزيادة التكلفة الحسابية، وقابليته للهجمات العدائية، والصعوبات في تقييم التحسينات النوعية في الاستدلال أو الفهم. من خلال التعامل مع هذه القيود، يمكن للباحثين والممارسين ضمان نشر المطالبة بسلسلة الأفكار (CoT) بشكل مسؤول وفعَّال في تطبيقات متنوعة.¹¹

يمكن للمستخدمين الاستفادة من العديد من الفوائد ضمن المطالبة بسلسلة الأفكار. منها ما يلي:

• تحسين مخرجات المطالبات: تعمل طريقة تحفيز سلسلة الأفكار على تحسين أداء النماذج اللغوية الكبيرة في مهام الاستدلال المعقدة من خلال تقسيمها إلى خطوات منطقية أبسط وأسهل.
• الشفافية والفهم: يؤدي إنشاء خطوات استدلال وسيطة إلى توفير الشفافية بشأن كيفية وصول النموذج إلى الاستنتاجات، ما يجعل عملية اتخاذ القرار أيسر فهمًا للمستخدمين.
• الاستدلال متعدد الخطوات: من خلال التعامل بشكل منهجي مع كل عنصر من عناصر المشكلة، تؤدي طريقة المطالبة بسلسلة الأفكار غالبًا إلى إجابات أكثر دقة وموثوقية، خاصةً في المهام التي تتطلب الاستدلال متعدد الخطوات. يشير الاستدلال متعدد الخطوات إلى القدرة على تنفيذ عمليات منطقية معقدة عن طريق تقسيمها إلى خطوات أصغر متسلسلة. وهذه مهارة معرفية ضرورية لحل المشكلات المعقدة، واتخاذ القرارات، وفهم العلاقات بين السبب والنتيجة. 
• الاهتمام بالتفاصيل: لعل نموذج الشرح خطوة بخطوة يشبه أساليب التدريس التي تشجع على الفهم بما توفره من تقسيمات تفصيلية، ما يجعل طريقة تلقين سلسلة الأفكار مفيدة ونافعة في السياقات التعليمية.
• التنوع: يمكن تطبيق سلسلة الأفكار على عدد كبير من المهام، يشمل على سبيل المثال لا الحصر، التفكير الحسابي، والتفكير المنطقي السليم، وحل المشكلات المعقدة، ما يدل على فائدتها المرنة.

• التحكم في الجودة: تعتمد فاعلية طريقة تلقين سلسلة الأفكار بدرجة كبيرة على جودة المطالبات المقدَّمة، ما يتطلب أمثلة مصممة بعناية لتوجيه النموذج بدقة وإحكام.
• القوة الحوسبية العالية: لا شك أن إنشاء ومعالجة خطوات متعددة وصولًا إلى الاستنتاج سيتطلب مزيدًا من القوة الحوسبية والوقت مقارنةً بالمطالبة القياسية التي لا تستغرق سوى خطوة واحدة. وبالتالي تُعَد هذه طريقة مرتفعة التكلفة لدرجة يتعذر معها لأي مؤسسة أن تعتمدها.
• التضليل في المفهوم: ثمة خطر توليد مسارات استنتاجات وجيهة ومنطقية لكنها غير صحيحة، ما يؤدي في النهاية إلى الحصول على استنتاجات مضللة أو زائفة.
• مكلِّفة وتتطلب جهدًا كبيرًا: قد يكون تصميم مطالبات سلسلة الأفكار الفعَّالة أكثر تعقيدًا ويتطلب جهدًا كثيفًا، ما يتطلب فهمًا أعمق لنطاق المشكلة وقدرات النموذج.
• فرط تخصيص النماذج: ثمة خطر محتمل لحدوث فرط تخصيص النماذج فيما يتعلق بأسلوب أو نمط التفكير في المطالبات، وهو ما يقلِّل من قدراتها على التعميم في المهام المتنوعة.
• التقييم والتحقق من الصحة: بينما تزيد طريقة سلسلة الأفكار من القابلية على التفسير والدقة، نجد أن قياس التحسينات النوعية في طريقة الاستدلال أو الفهم قد يمثل عقبة. ويرجع ذلك إلى التعقيد المتأصل في عملية الإدراك لدى البشر، وإلى الطبيعة الذاتية لتقييم التعبيرات اللغوية. ومع ذلك، لا يزال بالإمكان استخدام عدة أساليب مقاربة لتقييم مدى فاعلية طريقة تحفيز سلسلة الأفكار. فمثلًا، عند مقارنة استجابات النموذج باستجابات نموذج خط أساس أو باستجابات خبراء بشريين فسوف تتوفر لنا رؤى للمكاسب النسبية المتحصلة من الأداء. بالإضافة إلى ذلك، يمكن أن يوفر تحليل خطوات الاستدلال الوسيطة المنشأة من قبل النموذج اللغوي الكبير رؤى قيّمة على عملية اتخاذ القرار، حتى لو كان من الصعب قياس التحسينات في الاستدلال أو الفهم بشكل مباشر.

لا شك أن تقدم طريقة سلسلة الأفكار هو شهادة على التعاون والتآزر بين العديد من القطاعات، خاصةً في مجالات معالجة اللغة الطبيعية، والتعلم الآلي ، ومجال الذكاء الاصطناعي التوليدي المزدهر. فكانت هذه الخطوات الكبرى سببًا في تفوق طريقة سلسلة الأفكار لتحتل الصدارة في حل المشكلات المعقدة، وليس هذا فحسب بل أكَّدت أيضًا على جدواها في كثير من التطبيقات. وسوف نتعرض الآن بتفصيل أكبر للتطورات الرئيسية، وندمج المصطلحات المحددة لتكوين صورة شاملة عن مدى تقدُّم طريقة سلسلة الأفكار.

أدَّت الابتكارات في هندسة المطالبات إلى تعزيز فهم النماذج وتفاعلها مع المطالبة الأصلية بدرجة كبيرة، ما أدى إلى ظهور مسارات تفكير أدق وأكثر مواءمةً للسياق. وكان هذا التطور حاسمًا في تحسين مدى تأثير سلسلة الأفكار وفاعليتها.¹²

أدَّى التكامل في مهام الاستدلال الرمزي ومهام الاستدلال المنطقي إلى تحسين قدرة النماذج على التفكير المجرد والاستنتاج، ما يمثِّل قفزة كبرى في معالجة التحديات القائمة على المنطق باستخدام سلسلة الأفكار.¹³

على سبيل المثال، يقوم الاستنتاج الرمزي بحل المعادلات الرياضية، مثل 2 + 3 = 5. في هذه الحالة، يتم تقسيم المشكلة إلى الأجزاء المكوِّنة لها (باستخدام الأرقام وعملية الجمع الحسابي)، ويستنتج النموذج الإجابة الصحيحة بناءً على المعرفة المكتسبة وقواعد الاستدلال. ومن ناحية أخرى، يتضمن الاستدلال المنطقي استخلاص استنتاجات من مقدمات أو افتراضات، مثل "كل الطيور تستطيع الطيران، والبطريق طائر". ثم يحدِّد النموذج بعد ذلك أن البطريق يمكنه الطيران بناءً على المعلومات المقدَّمة. وقد استفادت النماذج اللغوية الكبيرة من دمج المطالبة بسلسلة الأفكار في مهام الاستدلال الرمزي والاستدلال المنطقي حيث أُتيح لها إظهار قدراتها المحسَّنة في التفكير المجرد والاستنتاج، ما جعلها قادرة على معالجة مشكلات أكثر تعقيدًا وتنوعًا.

أحدثت تطبيقات الذكاء الاصطناعي التوليدي وبنى المحوِّلات نقلة نوعية في طريقة سلسلة الأفكار، حيث أتاحت إنشاء مسارات تفكير متطورة ساعدت على اكتشاف الإبداع والتميز العميق. وأدَّى هذا التعاون والتعاضد إلى اتساع قابلية تطبيق سلسلة الأفكار، ما كان له الأثر الإيجابي في المجالات الأكاديمية والعملية.¹⁴

أدَّت التطورات إلى تمكين النماذج الأصغر حجمًا من المشاركة بفاعلية في استدلال الذكاء الاصطناعي باستخدام سلسلة الأفكار، ما أتاح تعميم إمكانية الوصول إلى قدرات الاستدلال المتطورة. يساعد التركيز على الاتساق الذاتي داخل CoT على ضمان السلامة المنطقية للمسارات التي تم إنشاؤها، ما يعزز موثوقية الاستنتاجات التي استخلصتها النماذج.¹⁵

نظرًا لقدرة طريقة سلسلة الأفكار (CoT) على تحليل المشكلات المعقدة إلى خطوات تفكير مفهومة، فقد وجدت سبيلها إلى استعمالات تطبيقية في عدد كبير من المجالات المتنوعة. ولا توضِّح حالات الاستخدام هذه تعدُّد استخدامات طريقة سلسلة الأفكار فحسب، بل توضِّح أيضًا قدرتها على إحداث تحول في كيفية تعامل الأنظمة مع مهام حل المشكلات واتخاذ القرار. في القسم التالي، نستكشف العديد من حالات الاستخدام البارزة حيث تم تطبيق CoT بشكل فعَّال.

أدَّى دمج سلسة الأفكار في روبوتات المحادثة والاستفادة من تقنيات معالجة اللغة الطبيعية الحديثة إلى تحويل الذكاء الاصطناعي الحواري، ما مكَّن روبوتات المحادثة من إجراء تفاعلات أكثر تعقيدًا تتطلب مستوًى أعمق من الفهم والكفاءة في حل المشكلات.

تُشير هذه التطورات مجتمعة إلى قفزة كبيرة في قدرات سلسلة الأفكار وأهمية تكامل روبوتات المحادثة ونماذج سلسلة الأفكار، ما يؤكد على قدرتها على إحداث نقلة في عمليات اتخاذ القرار وحل المشكلات بدعم من الذكاء الاصطناعي. من خلال الجمع بين الإمكانيات الحوارية في روبوتات المحادثة وقدرات الاستدلال المتقدمة في نماذج سلسلة الأفكار، يمكننا إنشاء أنظمة ذكاء اصطناعي أكثر تطورًا وفاعلية وقادرة على التعامل مع نطاق أكبر من المهام والتطبيقات.

علاوةً على ذلك، يؤدي تكامل التطبيقات المختلفة ونماذج سلسلة الأفكار إلى تعزيز تجربة المستخدم الشاملة من خلال تمكين أنظمة الذكاء الاصطناعي من فهم احتياجات المستخدم وتفضيلاته والاستجابة لها بشكل أفضل. من خلال دمج تقنيات معالجة اللغة الطبيعية (NLP) في نماذج سلسلة الأفكار، يمكننا تمكين روبوتات المحادثة من فهم مدخلات المستخدم والاستجابة لها بطريقة أكثر إنسانية، ما يؤدي إلى إنشاء تجارب محادثة أكثر جاذبية وبديهية وفاعلية.

تستخدم برامج المحادثة المتقدمة تقنية CoT لفهم استفسارات العملاء ومعالجتها بشكل أفضل. فمن خلال تقسيم مشكلة العميل إلى أجزاء صغيرة، سوف يسهُل التحكم فيها، وبالتالي يمكن لروبوتات المحادثة تقديم استجابات أدق وأنفع للعميل، ما يعني تحسين رضا العملاء وتقليل الحاجة إلى تدخل بشري.

يستخدم الباحثون طريقة سلسلة الأفكار لتنظيم عملية تفكيرهم في حل المشكلات العلمية المعقدة، وتسهيل الابتكار. حيث يمكن لهذه الطريقة المنظَّمة تسريع عملية الاكتشاف وتمكين صياغة فرضيات جديدة.

في مجال إنشاء المحتوى، تساعد طريقة سلسلة الأفكار في إنشاء مخططات تفصيلية أو ملخصات منظمة من خلال تنظيم الأفكار والمعلومات بشكل منطقي، مما يعزز من تماسك وجودة المحتوى المكتوب.

تؤدي CoT دورًا أساسيًا في منصات التكنولوجيا التعليمية، حيث تساعد على إنشاء تفسيرات خطوة بخطوة للمشكلات المعقدة. تُعَد هذه القدرة ذات قيمة خاصة في مجالات مثل الرياضيات والعلوم، حيث يكون فهم العملية بنفس أهمية النتيجة النهائية. يمكن للأنظمة المستندة إلى سلسلة الأفكار توجيه الطلاب خلال إجراءات حل المشكلات، وتعزيز فهمهم وقدرتهم على الحفظ.

تُعَد تقنية سلسلة الأفكار أمرًا بالغ الأهمية لتوضيح الأسباب الكامنة وراء القرارات التي تعتمد على الذكاء الاصطناعي، خاصةً في السيناريوهات التي تتطلب اعتبارات أخلاقية. من خلال توفير مسار تفكير شفاف، تضمن سلسلة الأفكار توافُق قرارات الذكاء الاصطناعي مع المعايير الأخلاقية والأعراف المجتمعية.

تؤكد حالات الاستخدام هذه على الإمكانات التحويلية لسلسلة الأفكار عبر قطاعات متنوعة، مما يوفر لمحة عن قدرتها على إعادة تعريف عمليات حل المشكلات واتخاذ القرار. ومع استمرار تطور سلسلة الأفكار، من المتوقع أن تتوسع تطبيقاتها، مما يؤدي إلى دمج هذه المنهجية في بنية تطورات التقدم التكنولوجي والنسيج المجتمعي.

يشير تلقين سلسلة الأفكار إلى قفزة إلى الأمام في قدرة الذكاء الاصطناعي على القيام بمهام الاستدلال المعقدة، ومحاكاة العمليات المعرفية البشرية. من خلال توضيح وتبيين خطوات التفكير الوسيطة، لا يعمل تلقين سلسلة الأفكار على زيادة حنكة وفطنة النماذج اللغوية الكبيرة (LLM) من ناحية قدرتها على حل المشكلات فحسب، بل يعمل أيضًا على تحسين الشفافية وتعزيز إمكانية التفسير. ورغم القيود المتأصلة، نجد أن هناك استكشافات لا تتوقف في متغيرات وتطبيقات سلسلة الأفكار مما يعني استمرار توسيع القدرات الاستدلالية لنماذج الذكاء الاصطناعي ويبشر بمزيد من التحسينات المستقبلية في الوظائف المعرفية للذكاء الاصطناعي.