هل فكرت يومًا كيف تستطيع الوكلاء الذكيون تحسين أدائهم في توليد الرموز (code generation)؟ في دراسة حديثة، تم تقديم أداة تُعرف باسم A-CEGIS، وهي إطار خفيف التصميم يستخدم الأمثلة المضادة كتغذية راجعة لتقييم عملية التحسين المتعددة الجولات في تحويل اللغة الطبيعية إلى تعبيرات منتظمة (regular expressions).

تعمل هذه الأداة على تحديد مدى قدرة الوكيل على تصحيح الأخطاء بعد تلقي تعليقات واضحة. حيث يقوم الوكيل المقترح بتوليد تعبير منتظم، ثم يتحقق نظام تحكم دقيق من صحته باستخدام مناظير تحمل معاني دقيقة، بينما تُستخدم الشهادات السلبية أو الإيجابية كدليل لجولة التصحيح التالية.

وعلى مدى 30 مهمة ضمن مجموعة NL-RX-Turk، أبدت التغذية الراجعة من الأمثلة المضادة نتائج مذهلة، حيث تمكنت من حل 90% من المهام في فترة زمنية بلغت أربع جولات، بينما كانت النسب الأخرى للتوليد بدون دعم 17%، و27% للاعتماد على التصحيح الذاتي العام، و23% لتغذية راجعة قائمة على الأخطاء فقط.

ختاماً، خلال جولة تشخيصية كاملة مع تقنيات التشديد، تمكّن الوكلاء من حل جميع المهام المطروحة على مجموعة البيانات الخفية في الجولة النهائية، بمعدل نجاح بلغ 77% بعد عمليات استهداف معينة.

تُظهر هذه النتائج كيف أن A-CEGIS تقيس كفاءة تطور الوكلاء عبر الجولات، مع إضافة تحقق عملي من القوة بعيدًا عن الحالات الأصلية المحجوزة. هل تتوقع تأثيرًا أكبر لهذه التقنية في مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم!