في عصر الذكاء الاصطناعي، أصبح أفعال الوكلاء الذكيين (LLM agents) جزءًا لا يتجزأ من عمليات متعددة في مجالات متنوعة. ولكن مع زيادة تعقيد هذه الأفعال، تبرز الحاجة إلى آلية قوية لتتبع تلك الأفعال وفهم أسس اتخاذ القرار.

تهدف مهمة جديدة تحت مسمى "تعليمات أفعال الوكلاء" (Query-Conditioned Agent Action Attribution) إلى تطوير أدوات تعزز من شفافية الذكاء الاصطناعي. من خلال أخذ استعلامات تدقيق ذات لغة طبيعية كمدخلات، يقوم النظام بتحديد المصدر والأدلة الأولية للقرارات المتخذة، مما يساعد في الوصول إلى غايات تدقيق محددة.

الابتكار هنا يتمثل في استخدام نموذج تدريبي جديد يُعرف بـ $A^3Bench، والذي يضم 1396 استعلامًا تدقيقيًا عبر مجموعة من المواضيع مثل أساس السياسات، ومصدر المعلمات، ورصد الفشل، وتتبع السلوك غير الآمن. يعمل هذا النظام على خفض التكلفة المرتبطة بالتحليلات السابقة ويقدم نتائج دقيقة أعلى بكثير مقارنة بالنماذج التقليدية.

أظهرت النتائج أن نظام التعليمات الجديد يحقق درجات أعلى من الاستخدام الأمثل للأدلة، حيث تمكن من تحسين دقة المصدر بمعدل يصل إلى 40.9%، كما ساهم في تقليل فترة انتباه النظام بمعدل 29.9%، مما يجعله النظام الأكثر سرعة في هذا المجال حتى الآن.

مع قرب إصدار الشفرة والبيانات بعد مراجعة الإجراءات، يبدو أن هذا التوجه سيحدث ثورة في كيفية تعاملنا مع البيانات والأفعال التي تنشرها الوكالات الذكية، ويجعل الذكاء الاصطناعي أكثر أمانًا وشفافية.