في عالم الذكاء الاصطناعي، تتقدم نماذج اللغات الضخمة (Large Language Models) بسرعة، ويزداد استخدامها في البيئات المفتوحة التي تتطلب معالجة مهام متعددة ومتكررة. ومع ذلك، تواجه هذه النماذج تحديات كبيرة تتعلق بكيفية استخدام الخبرات السابقة بشكل فعال. هنا تأتي تقنية التعليم التطوري للمساعدات الذكية (AEL) كحل مبتكر.

يتميز نظام AEL بإطاره الزمني ذي المستويين، حيث يعمل على معالجة مشكلات "كيفية استخدام" المعلومات التي تم تذكرها. في المستوى السريع، يُستخدم نموذج "Thompson Sampling" لتحديد أي سياسة لاسترجاع الذاكرة يجب اتباعها في كل حلقة، بينما يركز المستوى البطيء على تشخيص الأنماط الفاشلة وحقن رؤى سببية تساعد في تكوين إطار تفسيري للقرارات المتخذة.

ضمنت هذه التقنية أداءً مذهلاً لدى اختبارها على مجموعة بيانات متعددة القطاعات تتضمن 208 حلقة، حيث سجلت نسبة شارب (Sharpe ratio) بلغت 2.13 مع الحد الأدنى من التباين بين جميع النماذج. يكمن الإبداع الحقيقي في الفكرة القائلة بأن "الأقل أفضل"؛ حيث تحقق الاستفادة من الذاكرة والتفكير معًا تحسنًا تراكميًا بنسبة 58% مقارنةً بالنماذج التقليدية غير ذات الحالة.

بينما يمكن أن تؤدي إضافة تعقيدات معمارية إلى تدهور الأداء، يبرز AEL كدليل على أن تحسين قدرات الوكلاء يعتمد على كيفية استغلالهم لتجاربهم السابقة، وليس فقط على التوسع في التعقيد البنيوي. لتحقيق أقصى استفادة من هذه التقنية، يمكن الاطلاع على الشيفرة والمعلومات عبر الرابط: [رابط المشروع].

ما رأيكم في كيفية تطبيق هذه التقنية في مجالات أخرى؟ شاركونا أفكاركم في التعليقات!