En el mundo acelerado de la inteligencia artificial, los modelos de lenguaje preentrenados continúan transformando el campo del cuestionamiento extractivo, un ámbito esencial en la interacción humano-computadora. Sin embargo, estos modelos, aunque exitosos en diversos escenarios, enfrentan dificultades al enfrentarse a contextos complejos con interpretaciones ambiguas y razonamientos inferenciales que no están sustentados en pistas textuales inmediatas.

Para abordar estas limitaciones, un equipo de investigadores de Singapur y Francia, ha desarrollado un novedoso mecanismo de Aprendizaje-para-Diferir (L2D). Este sistema permite a los modelos delegar decisiones más intrincadas a expertos humanos o modelos más grandes, sin necesidad de reentrenamiento, mejorando así la eficiencia y la fiabilidad en contextos ambiguos. La implementación de L2D demuestra mejoras significativas en la precisión y confiabilidad de los sistemas QA en escenarios complejos, evaluada en el conjunto de datos SQuADv2.

Los avances resultantes permiten que incluso los modelos más compactos logren un rendimiento comparable al de sus contrapartes más grandes, abriendo la puerta a aplicaciones más diversas y eficientes de estos modelos en entornos con recursos limitados.

El estudio demuestra la solidez teórica del método al probar su consistencia Bayes y (H, R), asegurando la óptima solidez de la solución final. Este enfoque no solo mantiene la eficiencia computacional sino que, además, amplía la aplicabilidad de los modelos de lenguaje preentrenados en entornos operacionales.