خلال السنوات الأخيرة، أثرت أبحاث التعرف على النظم (System Identification) بشكل كبير في تطوير مجموعة غنية من الأساليب لتعلم النماذج الديناميكية، مع توفير ضمانات نظرية معروفة. ومع ذلك، لا يزال اختيار فئة النموذج (Model Class) وخوارزمية التدريب (Training Algorithm) وضبط المعلمات الفائقة (Hyperparameter Tuning) يعتمد بشكل كبير على المحاولات التجريبية، مما يتطلب وقتاً كبيراً من الخبراء وتجربة واسعة في المجال.

بدافع من التطورات الحديثة في الذكاء الاصطناعي الوكيل (Agentic AI)، نقدم لكم ASIA، إطار عمل ثوري يكلف نماذج لغوية ضخمة (Large Language Models) بالبحث التكراري عن الحلول بشكل مستقل. يُغلق ASIA الحلقة بين الفرضية والتنفيذ والتقييم بدون الحاجة لأي تدخل بشري، حيث يتطلب الأمر مجرد وصف بلغة إنجليزية بسيطة لمشكلة التعرف.

قمنا بإجراء دراسة تجريبية على نظام ASIA باستخدام معيارين للتعرف على النظم، وحللنا سلوك البحث الذي يتبعه الوكيل، والهندسات والاستراتيجيات التدريبية التي يكتشفها، وجودة النماذج الناتجة.

كما تناولنا إمكانيات هذا النهج بالإضافة إلى بعض القيود الحالية، مثل تسرب الاختبار الضمني (Implicit Test Leakage) وقلة الشفافية المنهجية ومخاوف القابلية للتكرار.

إن الإطار الذي يقدمه ASIA يمثل خطوة كبيرة نحو تعزيز الاعتماد على الذكاء الاصطناعي في مجالات التعلم والنمذجة، مما يمكن أن تحدث ثورة حقيقية في كيفية تعاملنا مع تعقيدات الأنظمة الديناميكية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.