في عالم الذكاء الاصطناعي، يصبح التعلم من الأخطاء وسيلة حيوية لتطوير الأنظمة الذكية. وفي هذا السياق، تم إطلاق قاعدة بيانات أخطاء الوكلاء (Agent Error Dataset - AED)، التي تحتوي على 50,228 ثنائية من حالات الأخطاء والتشخيص عبر 9,961 مهمة في 33 بيئة متنوعة.

يكمن الابتكار في كيفية استخلاص هذه المعلومات: لا تقتصر الفائدة على النتائج النهائية، بل تشمل أيضًا ملاحظات الوكلاء والإجراءات التي اتخذوها وكيفية استجابة البيئة لها.

لتسهيل إعادة استخدام هذه الخبرات في التعلم، تم تطوير نظام متكامل يتكون من خمس مراحل يُعرف باسم مسار الأخطاء إلى التدريب (Agentic Error-to-Training - AET). يقوم هذا النظام بجمع الأخطاء الطبيعية، وإنشاء تشخيصات، واقتراح تصحيحات ثم اختبارها ضد الأدلة المسجلة.

تشير النتائج إلى أن التصحيحات الأولية أدت إلى زيادة معدلات النجاح للمدققين من 18.4% إلى 51.1%، مما يعد تحسنًا ملحوظًا قدره 32.7 نقطة مئوية. واستخدام تدريب التشخيص المجمد بشكل منفصل ساهم أيضًا في رفع اتفاقية نموذج Qwen3-8B مع تسميات المعلم الداخلي من 47.2% إلى 63.6%.

هذا التقدم التقني يعد خطوة مهمة نحو تطوير نماذج ذكاء اصطناعي أكثر قدرة على التعلم من الأخطاء وتحسين أدائها.

ما رأيكم في هذا التطور الرائع؟ شاركونا في التعليقات.