في عصر الذكاء الاصطناعي، يواجه الباحثون تحديات جديدة من خلال التعلم المعزز متعدد العملاء (Multi-agent Reinforcement Learning - MARL)، الذي يتطلب تدريب العديد من العملاء لتحقيق أهداف مشتركة أو تنافسية. وفي هذا الإطار، يتناول البحث الجديد الذي تم نشره مؤخرًا التحديات المرتبطة بنقل المعرفة بين العوالم المختلفة.

بالرغم من أن العديد من الدراسات السابقة ركزت على التعلم الانتقالي بين المجالات المختلفة في MARL، إلا أن معظم الطرق المُعتمدة كانت تفرض قيودًا بأن تكون أبعاد فضاء الملاحظة وفضاء الحالة العالمي متطابقة بين العوالم. وهنا يأتي دور الطريقة الجديدة المعروفة باسم ASALT (Adaptive State Alignment for Lateral Transfer).

توظف ASALT مُكيفات على مستوى الملاحظة والحالة، حيث تتولى مهمتها نقل الملاحظات من المجال المستهدف وحالاتها العالمية إلى فضاء مشترك متقارب. هذا الأسلوب ليس فقط يسهل نقل المعرفة بين العملاء، ولكنه يعزز أيضًا من إمكانية استراتيجيات المستخدمين في المجالات المختلفة.

أظهرت التجارب التي أجريت في بيئات قياسية متعددة أن ASALT تأتي بفوائد واضحة؛ حيث تجاوزت النتائج بما يتعلق بكفاءة العينة والعائد العالمي في الإعدادات التعاونية. ومع ذلك، فإن فعالية هذه الطريقة مرتبطة بشكل مباشر بدرجة التباين بين المجالات المستهدفة والمصدرة.

وفوق ذلك، وجدت الدراسة أن ASALT تقلل من نقل المعرفة السلبي، وهو ما يُعد أحد أكبر العقبات في مجال نقل السياسات بين العوالم ذات فضاءات الملاحظة والإجراءات المختلفة. حيث تُظهر النتائج المعلنة أن هذه الطريقة تمثل خطوة هامة نحو تحسين نظام التعلم المعزز متعدد العملاء.