في عالم الذكاء الاصطناعي، يتم استخدام الأنظمة متعددة الوكلاء (Multi-Agent Systems) بشكل متزايد في التطبيقات الواقعية، حيث يمكن أن تكون أخطاء التشغيل مكلفة وصعبة التحديد. رغم إنجاز العديد من الجهود لأتمتة عملية انتساب الأخطاء، لا تزال تشخيص العمليات الفاشلة يعتمد بشكل كبير على مهارات المهندسين المتخصصين. وغالبًا ما لا يكون المهندسون في وضع يسمح لهم بفحص الأنظمة المعقدة من خلال قراءة السجلات الخام من البداية إلى النهاية. لذا، فإن أدوات المراقبة تُرتب التتبع حول المكونات والأفعال والاعتمادات لدعم التنقل المستهدف.

لكن ماذا لو كانت نماذج اللغات الكبيرة (Large Language Models) يمكن أن تستفيد من نفس هذه الطريقة؟

لإثبات هذه الفرضية، تم تقديم المخططات التكيفية للتأثير (Adaptive Influence Graphs)، وهو إطار عمل يتضمن مرحلتين. في المرحلة الأولى، يتم تحويل التتبع الفاشل إلى رسم بياني منظم، وفي المرحلة الثانية يتم التنقل عبر هذا الرسم البياني لتحديد الخطأ الرئيسي. أظهرت التجارب عبر نماذج متعددة أن تمثيلات التتبع الأكثر تفصيلاً تعمل على تحسين انتساب الأخطاء بشكل مستمر، حيث أثبتت أساليب بناء الرسوم البيانية التكيفية والتنقل الموجه من قبل الوكلاء تحقيق النتائج الأفضل.

تُعد المخططات التكيفية للتأثير خطوة جديدة نحو تحقيق التميز في معالجة الأخطاء، إذ وضعت معايير جديدة في الاختبار القياسي Who&When لقياس انتساب الفشل في الأنظمة متعددة الوكلاء. هذا يؤكد فرضيتنا بأن انتساب الفشل لا يعتمد فقط على نموذج التشخيص، بل أيضًا على كيفية تمثيل التتبع واستكشافه. فهل نحن على أبواب ثورة في طريقة تعامل أنظمة الذكاء الاصطناعي مع الفشل؟

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.