في عالم الذكاء الاصطناعي والتفاعل البشري الآلي، يعد تحسين هيكل التواصل في الأنظمة متعددة الوكلاء المعتمدة على نماذج اللغات الضخمة (LLM-MAS) خطوة حيوية نحو تحقيق أداء أعلى وكفاءة أفضل. تكشف الأبحاث الأخير أن تحسين هذا الهيكل لا يساهم فقط في تعزيز الأداء العام، بل يلعب أيضاً دوراً كبيراً في تقليل استهلاك التوكنات.

حتى الآن، كانت الطرق المستخدمة تعتمد بشكل رئيسي على تحديد مهام تدريب تم اختيارها بشكل عشوائي. ولكن، هل تساءلت يوماً عن مدى تأثير صعوبة هذه المهام ومجالاتها المختلفة على فعالية التعلم؟ إن عدم تماثل المعلومات المُستخلصة من المهام يجعل من الصعب تحسين الهيكل بشكل مستقر، خاصة عند العمل ضمن ميزانيات تدريب محدودة.

في محاولة لحل هذه المشكلة، تم تقديم إطار عمل يعتمد على مبدأ التعلم النشط (Active Learning) لاختيار المهام الأكثر قيمة لتحسين هيكل التواصل. يعتمد هذا الأسلوب على تقدير مدى فائدة المهمة من خلال قياس مقدار تغييرها في توزيع معلمات الرسم البياني، وذلك باستخدام تقنية Ensemble Kalman Inversion، التي تُعد تقديراً فعالاً وبدون اشتقاق للتحديث بايزي (Bayesian Update) الناتج.

تم تصميم الطريقة لتكون ملائمة بشكل خاص للأنظمة متعددة الوكلاء ذات المداخل غير الشفافة والصاخبة. لتحسين قابلية التوسع، تم إنشاء مجموعة مرشحة مضغوطة من خلال اختيار ممثلي يعتمد على التضمين، وبالتالي دمج الاختيار الإعلامي مع النمذجة البديلة وعينة تومسون التجميعية (Batch Thompson Sampling).

نجحت التجارب في بيئات متحكم بها وكذلك في ظروف تتعرض لهجمات من الوكلاء، حيث أظهرت فعالية عالية في تحسين هيكل التواصل تحت قيود ميزانية الحوسبة.

إن هذه التطورات تبشر بإمكانيات جديدة ومثيرة للتطبيقات المستقبلية في مجال الذكاء الاصطناعي وفتح آفاق جديدة للأبحاث في هذا المجال.