في عالم الذكاء الاصطناعي، تعد الأنظمة القابلة للتخصيص ([Agentic AI](/tag/agentic-ai) Systems) من التطورات الرائدة التي تغير طريقة تعاملنا مع [البيانات](/tag/البيانات). تتمثل إحدى التحديات الرئيسية في تكوين [أنظمة](/tag/أنظمة) تعتمد على [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models))، حيث يتضمن ذلك اختيار [سير العمل](/tag/سير-العمل) ([Workflows](/tag/workflows)) والأدوات (Tools) وميزانيات الرموز (Token Budgets) والم prompts من مجموعة واسعة من التصاميم.
ومع ذلك، الاعتماد على [النماذج](/tag/النماذج) الثابتة heuristics أو القوالب يدفعنا [نحو](/tag/نحو) نتائج هشة وسوء [استثمار](/tag/استثمار) [موارد](/tag/موارد) [الحوسبة](/tag/الحوسبة). ولحل هذه المشكلة، تم [اقتراح](/tag/اقتراح) [نموذج](/tag/نموذج) عملية [صنع القرار](/tag/صنع-القرار) شبه [ماركوف](/tag/ماركوف) (Semi-Markov Decision Process) لتشكيل تكوين [الوكلاء](/tag/الوكلاء). حيث يعد كل تكوين خيارًا ممتدًا زمنيًا يحدد كيفية معالجة نظام الوكيل للاستفسارات.
تم تقديم [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) تُعرف باسم ARC (Agentic Resource & Configuration learner)، وهي [سياسة](/tag/سياسة) هرمية خفيفة الوزن، تقوم باختيار تكوينات [الوكلاء](/tag/الوكلاء) بما يتناسب مع كل استعلام. وباستعراض [الأداء](/tag/الأداء) [عبر](/tag/عبر) عدة معايير، أثبت ARC ارتفاعًا ثابتًا في [دقة](/tag/دقة) معالجة البيانات، حيث زادت [دقة](/tag/دقة) [الاستدلال](/tag/الاستدلال) بنسبة 31.3% ودقة استخدام [الأدوات](/tag/الأدوات) بنسبة 13.95%. بالإضافة إلى ذلك، نجحت ARC في مضاعفة معدل النجاح في [اختبار](/tag/اختبار) { au}-Bench (Airline) من 9.0% إلى 18.0%.
هذه النتائج تسلط الضوء على أهمية [التعلم](/tag/التعلم) لكل استعلام، مما يقدم بديلاً قويًا للتصاميم المتشابهة التي لا تناسب جميع الحالات.