تحول الذكاء الاصطناعي: من استدلال نماذج اللغة إلى أعباء العمل الوكيلة

في السنوات الأخيرة، شهدت تطبيقات الذكاء الاصطناعي تحولًا كبيرًا من التركيز على الاستدلال الفردي لنماذج اللغة (Large Language Models) إلى أعباء عمل مستمرة تتطلب تنسيقًا بين الأدوات والبيئات والحالة الثابتة. تتطلب هذه التطبيقات الوكيلة (Agentic Applications) طرقًا جديدة في التنفيذ تظهر أهميتها في إنتاج الجملة وفاعلية التعاون.

تكشف الأبحاث الحديثة عن مجموعة من المزايا المثيرة التي تميز أعباء العمل الوكيلة، على الرغم من أن سلوك النظام ما زال غير موصوف بشكل دقيق. قدم الباحثون مجموعة أدوات قياس جديدة تُعرف باسم AgentSysBench، تحتوي على عشرة تطبيقات وكيلة تمثل مجموعة متنوعة من الوظائف.

تبين التجارب أن هناك خصائص تصنيفية عدة تميز الأعباء الوكيلة عن أنظمة النموذج التقليدية، منها:
1. التنفيذ ثقيل ويحتفظ بحالة معينة، حيث يمثل مكونات غير نماذج اللغة نسبة عالية من الكمون في 5 من أصل 10 تطبيقات.
2. تقوم التطبيقات بدمج مكونات تتطلب موارد متباينة، مما يؤدي إلى تفاوت الكمون بشكل كبير يصل إلى 32 ضعفًا.
3. تتغير نقاط الاحتقان بين الطلبات والنماذج والنشر.
4. تحتفظ الجلسات الإنتاجية بالحالة خاملة لفترات طويلة بين الخطوات النشطة.
5. هناك تكلفة إضافية ناجمة عن استدعاءات نماذج اللغة المساعدة وزيادة السياق نتيجة لذلك.
6. تكشف المقاييس الإنتاجية عن إمكانية كبيرة للتخزين المؤقت، مما يقلل من التكرار الزائد في الاستعلامات.

أظهرت الاختبارات العملية أن هذه الخصائص يمكن أن تؤدي إلى تحسينات ملموسة. على سبيل المثال، يمكن لأسلوب تقديم الخدمة المدرك للمهمة أن يخفض الكمون بنسبة تتراوح بين 29 إلى 40٪. كما حقق توزيع السعة المدرك للتواصل تحسنًا حتى 4.5 ضعف. وقد أدى تحميل الحالة إلى تقليل استخدام الذاكرة بنسبة 4.6 ضعف، بينما أدى التخزين المؤقت لنتائج الأدوات إلى التخلص من 35.2٪ من المكالمات المتكررة وحقق وفورات في الكمون الإجمالي للمقدار بنسبة 19.3٪.

باختصار، تُظهر هذه النتائج كيف يمكن دفع حدود قدرات الذكاء الاصطناعي من خلال اعتماد استراتيجيات جديدة تركز على تحسين أداء الأنظمة الوكيلة، ويبدأ البحث في تشكيل مستقبل الذكاء الاصطناعي بطرق لم تكن متوقعة من قبل.