يُلاحَظ بين باحثي التعلم الاّلي وجود مشاعر سلبية تجاه التوجيه أو بصفة أعم، تحسين النص. ويبدو أن الرأي السائد يرتكز حول فكرة أن “التعلم الحقيقي ي في الأوزان”. أما بالنسبة لتحسين النص، فأنا أعني به على نطاق واسع الأساليب التي تعدل الطبقة القابلة للتحرير من النص حول نموذج: التوجيهات، السياق، حالة نظام الملفات، الذاكرة، قواعد البيانات المستعادة، وحاملات النموذج. وأ أنه ينبغي لل البحثية الأوسع أخذ هذا الطبقة على محمل الجديّة.

سأجادل لصالح تحسين النص من ثلاث جهات: أولاً، يعمل تحسين النص كميكانيزم تحديث شرعي، وهو يشغل نفس الدور الوظيفي مثل تحسين الأوزان القائم على التدرج: تغيير السلوك المستقبلي استجابة للمعلومات الجديدة. ثانياً، يعدّ تحسين النص أكثر كفاءة في العينات مقارنةً bằng تحسين الأوزان، خاصةً في نظام بيانات منخفضة الكثافة. الثالثة، يتاح مع تحسين النص محور تسلسل جديد: حساب وقت التحديث.

نظام الذكاء الاصطناعي المُستخدم لا يقتصر على كونه متجه باراميتر يتم الاستعلام عنه بالعزل؛ بل هو آلة معقّدة تحتوي على العديد من الأجزاء المتحركة، حيث تكون الأوزان مجرد جزء منها. عندما يصبح النظام بأكمله موضوع الدراسة، يمكن أن يعني التعلم تغيير أي حالة تؤثر على السلوك. الأوزان تمثل حالة واحدة، عادةً ما يتم تحديثها من خلال التحسين القائم على التدرج. التوجيهات والذكريات وفهارس الاسترجاع وأكواد الحامل تعتبر حالات أخرى لها تكاليف وسعات وانماط فشل مختلفة. السؤال المهم هو “أي hedef مناسب لم 정보 معين”.

للنصوص شبه مؤشر إرشادي مفيد. تنطبق العبارة التفسيريّة الاعتياديّة لضغط كولموجоров: المواصفات القصيرة التي تفسر العديد من الحالات هي أكثر احتمالاً لتقاط البنية الحقيقية مقارنةً بقوائم طويلة من الاستثناءات. في هذا الصدد، التحديثات الجيدة للنص هي “تعليمات تصحيح مضغوطة لمسبوق عالمي مسبق التدريب”. من وجهة النظر التجريبيّة، فإن تحسين النص أكثر كفاءة في العينات بمئات المرات في نظام بيانات منخفضة الكثافة.

تمكن طبقة النص من “التعلم الانعكاسي”: حلقة оптимيزيشن ترتكز على النص يمكنها “خارج فرضياتها الخاصة عن كيفية تغييرها”. هذا يجعل “اختبار الفرضية” hữu ích ومحاسبيًا عند وقت التحديث: يمكن لأنظمة أن تقدم افتراضات حول كيفية تغييرها بناءً على الخبرة.