في عالم الذكاء الاصطناعي (AI)، يعتبر قياس أداء الوكلاء في بيئات متعددة الوكلاء من التحديات الكبرى، خاصة عند مواجهة حدود محدودة لعينات البيانات أو ارتفاع تكاليف التجارب. لمواجهة هذه التحديات، تم اقتراح تقنيات AIVAT كحلاً مبتكرًا من خلال تقديم مقاييس غير متحيزة ذات تباين منخفض لتقدير العوائد المتوقعة للوكلاء.

تعد الوظيفة القيمية التعيينية (Heuristic Value Function) من أبرز عناصر AIVAT، حيث تساهم في التفريق بين تاريخيات العوائد المحتملة المنخفضة والعالية. ومع ذلك، تكشف الأدبيات الحالية عن فجوة ملحوظة: غياب التوجيه حول كيفية اختيار هذه الوظيفة وكيفية التعامل مع عدم اليقين في نتائجها.

في إسهامنا الأول، نقوم بتمييذ الوظيفة التعيينية لتسليط الضوء على بعض نقاط الضعف المحتملة في AIVAT: أولاً، يمكن تحديد التباين العيني بشكل منخفض بشكل مرضي من خلال تطبيق متدرجات النزول مباشرةً على التباين العيني، وثانيًا، يمكن للمرء استخدام طرق احتيال إحصائي لانتزاع نتيجة إحصائية مرغوبة عبر تطبيق متدرجات الصعود والنزول على الإحصاء الاختباري. الرسالة الرئيسية هنا هي أن الوظيفة التعيينية يجب أن تظل ثابتة قبل ملاحظة بيانات التقييم.

في إسهامنا الثاني، نوضح كيف يمكن نشر عدم اليقين التعييني لتقدير عدم اليقين في نتائج AIVAT. بعد ذلك، يمكن تقليل التباين أكثر باستخدام التوسيع بالعكس للوزن، لكن ضمان عدم تحيز AIVAT قد يتطلب التضحية ببعض الدقة.

استنادًا إلى مجموعة بيانات تتضمن 10,000 يد من لعبة البوكر، نوضح نتائجنا حول نقاط الضعف وعدم اليقين، حيث أسفرت الأساليب المقترحة عن تقليل يقدر بـ 43.0% في عدد العينات المطلوبة لاستخلاص استنتاجات إحصائية.