في عالم التسويق الرقمي اليوم، تواجه أنظمة تصنيف الإعلانات الحديثة تحديات غير مسبوقة. فبدلاً من أن تكون قصور الأداء ناجمة عن قدرات النماذج أو قدرتها على التدريب، فإن الفجوة الأكبر تكمن في عملية استكشاف وتكرار التعلم الآلي (ML). تطلب كل دورة من دورات البحث، التنفيذ، التدريب، والتحليل، فترة زمنية تمتد من عدة أيام إلى أسابيع من اهتمام المهندسين ذوي الخبرة، مما يعيق سرعة تحسين النماذج.

مع وجود نماذج تصنيف مختلفة تعمل على بيانات وهياكل وقيود مختلفة، كان من الصعب تضمين تقنيات فعالة من نموذج إلى آخر. وهنا يأتي دور "استكشاف الذكاء الاصطناعي الذاتي" (Agentic ML Exploration – A-MLE)، الذي يمثل نظامًا مبتكرًا يعتمد على وكيلاً ذكياً يقوم باستكشاف تقنيات التعلم الآلي بشكل منهجي عبر مجموعة من نماذج تصنيف الإعلانات.

يقوم نظام A-MLE بتفكيك عملية التعلم الآلي إلى خمسة مراحل: توليد الافتراضات، استراتيجيات الاستكشاف، تنفيذ التجارب، تحليل النتائج، وتبادل المعرفة. يتم تنسيق جميع هذه المراحل بواسطة وكيل واحد يستخدم مهارات متخصصة ويقوم بالعمل على طبقة تنفيذ آمنة؛ آخذًا في الاعتبار وجود نقاط تحقق بشرية في كل مرحلة.

لقد تم نشر A-MLE على مجموعة تمثيلية من نماذج تصنيف الإعلانات الكبيرة، وتم تقييمه وفقًا لإطار عمل يتضمن توفر الأدوات، تنفيذ سير العمل الذاتي، والاستكشاف دون حدود. علاوة على ذلك، أجرينا دراسة مقارِنة تحت تحكم ثابت، مما يوضح اختلافات نوعية في موثوقية التنفيذ وجرأة الاستكشاف عبر عائلات نماذج Claude Sonnet وGemini وGPT.

تظهر نتائج دراستنا أن الاستكشاف الذاتي يمثل عامل مضاعف فعّال لمهندسي التعلم الآلي في أنظمة التوصية الصناعية، خاصة لنماذج طويلة الأجل التي نادرًا ما تتلقى اهتمام الخبراء. لذلك، يُعد A-MLE خطوة طموحة نحو تعزيز كفاءة استغلال الإمكانات الكاملة لنماذج التصنيف في عالم الإعلانات الحديث.