في عالم الذكاء الاصطناعي، تسعى وكالات الذكاء الاصطناعي المعتمدة على نماذج اللغات الضخمة (Large Language Models) باستمرار إلى تحسين أدائها في معالجة المهام المعقدة ذات الخطوات المتعددة. لكن، ما هي الطرق التي تُستخدم لتحقيق هذه التحسينات؟ غالبًا ما تعتمد هذه التحسينات على توسيع حجم النماذج الأساسية أو إجراء تعديلات معقدة تتعلق بالمهام المحددة، مما يؤدي إلى تكاليف حسابية مرتفعة. ومع ذلك، يلقي الباحثون الضوء على إطار عمل جديد محوري يعرف باسم Atomic Task Graph (ATG). يقوم هذا الإطار بتبسيط عملية التخطيط والتنفيذ بطريقة مبتكرة.

يعتمد نظام ATG على إنشاء رسومات بيانية صريحة تُظهر العلاقات بين المهام الفرعية، مما يمكّن الوكالات من استغلال النتائج المتوسطة بشكل يتسم بالكفاءة. خلال عملية التخطيط، يقوم النظام بتقسيم المهام العليا إلى مهام فرعية صغيرة، مكونًا تسلسلًا من الرسوم البيانية الموجهة التي يسهل تتبع تطورها. وخلال التنفيذ، تُظهر ATG الاعتماديات مما يسمح بتنفيذ الفروع المستقلة بشكل متوازي، مما يزيد من كفاءة التنفيذ.

إذا تعرض النظام لخطأ ما، يمكنه استخدام تاريخ التطور الخاص بالرسوم البيانية لتحديد مصدر الخلل وإصلاح المنطقة المتأثرة فقط، مما يحافظ على الأجزاء التي تم التحقق منها سليمة. أظهرت التجارب أن ATG يتفوق باستمرار على النماذج الأساسية القوية في نسبة النجاح وكفاءة التنفيذ، مستخدمًا فقط وحدات نموذجات تبلغ من 7 إلى 8 مليار.

لذا، كيف ستغير ATG طريقة تفاعلنا مع وكالات الذكاء الاصطناعي في المستقبل؟ هذا سؤال يستحق التفاعل معه، ونتطلع إلى آراءكم حول ذلك.