في عالم الذكاء الاصطناعي، تعتبر مسألة اتخاذ القرارات من أبرز التحديات. عندما يتعارض الوكلاء (Agents) المدعومون بنماذج لغوية ضخمة (Large Language Models) في إجاباتهم، يتعين أن تكون لدينا استراتيجيات فعّالة تُحسن من نتائج هذه الاختلافات. فهل يمكِن لتحسين التنوع بين الوكلاء أن يُفضي لتحسين الأداء أو يُزيد من حجم الأخطاء المشتركة؟

توجد العديد من الطرق التقليدية المعتمدة في اتخاذ القرارات الجماعية، مثل التصويت والقواعد الانتخابية وتقييمات وكلاء الذكاء الاصطناعي، والتي تعتمد بشكل رئيسي على الاستدلال نحو الأمام، حيث تُستخدم الأدلة لتحديد التسميات. ولكن حتى هذه الطرق تظل مكبلة بحدود تشارك الأخطاء ضمن مجموعة التقديرات. لذلك، بدلاً من ذلك، نحتاج إلى نموذج جديد يعتمد على الاستدلال العكسي (Bayesian Backward Reasoning) الذي يساهم في تقديم تقديرات مختلفة.

قمنا بإنشاء نموذج استدلال عكسي لكل حالة من خلال استخدام الاحتمالات العلنية، مما يسمح لنا بتشكيل تقديرات أكثر دقة من خلال تجميع المعلومات المشتقة بطرق مختلفة. ولتقييم الوكلاء، اعتمدنا على مقياس توافق المسارات (Cross-Path Consistency)، الذي يقف خلف ثلاث استراتيجيات:
1. الاختيار الصريح (MinJS)
2. إعادة الوزن اللينة (FwdJS)
3. دمج خطي لوغاريتمي (LogLin)

بعد تقييم هذه الاستراتيجيات على مجموعة بيانات DDXPlus عبر خمسة نماذج أساسية، أظهرنا تحسناً مميزاً، حيث تفوق الاختيار الصريح على جميع النماذج، بينما قدمت الاستراتيجية اللينة نتائج أفضل من القاعدة الأقوى. وتعتبر دمج النتائج الخطية (LogLin) الأكثر كفاءة، خاصة في الحالات التي يتباين فيها أداء الوكلاء.

لذا، حتى مع وجود بيانات موسومة، يمكن تعزيز فعالية هذا النموذج من خلال عملية معايرة خفيفة لمزيد من تحسين دقة اتخاذ القرار الجماعي.