Vad händer om du kan felsöka en stor språkmodells okunskap med samma precision som att åtgärda ett fel i mjukvarukod? Forskare har förvandlat den kaotiska processen att lära ut AI genom att mata in rådata till en strukturerad ingenjörskonst, där träningsfel inte längre är mysterier utan spårbara defekter som väntar på att bli lagade.

Teamet presenterar en metod kallad Programming with Data, som behandlar ämneskunskap som källkod. Istället för att blindt slänga mer text på en modell när den misslyckas, extraherar de strukturerade representationer från underlaget. Träningen blir till kompilering, benchmarking till enhetstestning och felsökning till debugging. Detta ramverk avbildar hela livscykeln för dataingenjörskonst mot standardiserad mjukvaruutveckling, vilket gör det möjligt för ingenjörer att exakt lokalisera var en modells förståelse bryter samman.

Överraskningen ligger i metodens precision. När en modell misslyckas med en specifik uppgift, dekomponerar systemet felet till kunskapsluckor på konceptnivå eller trasiga resonemangskedjor. Dessa misslyckanden kan spåras tillbaka till specifika brister i träningsdatan och åtgärdas genom riktade uppdateringar. Forskarna testade detta över sexton discipliner som sträcker sig från naturvetenskap, teknik och biomedicin till samhällsvetenskap, och fann att varje reparationscykel gav konsekventa förbättringar utan att försämra modellens generella förmågor.

Detta arbete etablerar en pålitlig grund för att ingenjörsmässigt integrera mänsklig expertis i AI. Genom att bevisa att kopplingen mellan träningsdata och modellbeteende är strukturellt spårbar, flyttas kunskapsöverföringen från ett gisslingsarbete till en vetenskap för systematisk förbättring.