شهدت السنوات الأخيرة تقدمًا ملحوظًا في نماذج الذكاء الاصطناعي، حيث أصبح من الممكن استغلال وكلاء الذكاء الاصطناعي المعتمدين على نماذج اللغات الضخمة (Large Language Models) للرد على استفسارات المستخدمين عبر تناقضات تحليلية وتنفيذ أدوات متنوعة. ومع ذلك، تبرز مشكلة التحسين لأداء هؤلاء الوكلاء، خصوصاً في ظل تداخل تأخر الاستجابة ومتطلبات الموارد المحلية وزجاجات المحتوى عبر الطلبات المختلفة.

تشير الدراسات الحديثة إلى أن النظام الحالي لوكلاء الذكاء الاصطناعي لا يأخذ بعين الاعتبار ديناميات الموارد بشكل كافٍ، مما يتسبب في هدر كبير لهذه الموارد الثمينة. في دراسة جديدة، تم تحليل التكامل بين الموارد لوكلاء الذكاء الاصطناعي لمهام تمثيلية محددة: الإجابة على الأسئلة المعززة باسترجاع المعلومات، البحث على الويب، وبرمجة البرمجيات. من خلال ذلك، تمكّن الباحثون من فهم التفاعل بين التأخير وديناميات الموارد اللازمة لمعالجة عدة طلبات ومهام في وقت واحد.

أظهرت القياسات أن الوكلاء يظهرون مجموعة واسعة من السلوكيات وفقًا للمهام. حتى أن نفس الأداة يمكن أن تختلف بشكل كبير في ديناميات الموارد المستخدمة. وعلاوة على ذلك، أظهرت النتائج أن تشغيل عدة طلبات بشكل متزامن يبرز زجاجات عنق تعتمد على المهام، مثل المعالجة المركزية (CPU)، إدخال/إخراج القرص، والذاكرة. ومن المثير للاهتمام، أن زيادة سرعة استجابات نماذج اللغات الضخمة أو زيادة عدد نوى المعالج لا تعني بالضرورة تسريع أداء الوكلاء.

وعلى ضوء هذه الملاحظات، تم تقديم فرص تحسين جديدة تستفيد من ديناميات الموارد المتعلقة بالمهام، بما في ذلك إدخال أدوات حساسة لوظائف المعالجة وتخصيص المعالجة المركزية وفقًا للمهام. أظهرت النتائج تحسنًا في التأخير لمهام الوكلاء الحساسة للمعالجة المركزية بنحو 5.4 مرات، في حين تم تخفيض متوسط التأخير عبر مهام متعددة بنسبة 32% مقارنةً بالوكلاء الأصليين.

تعتبر هذه insights أساسية لفهم أفضل لآليات الأداء في وكلاء الذكاء الاصطناعي، وفتح آفاق جديدة للتحسين في هذا المجال المتقدم. هل أنت متحمس لمعرفة المزيد عن مستقبل هذه التكنولوجيا؟ شاركونا آرائكم في التعليقات!