في عالم الذكاء الاصطناعي، أثبتت أنظمة الوكلاء المتعددة المعتمدة على نماذج اللغات الضخمة (Large Language Models) قدرتها العالية على التعامل مع المهام المعقدة مثل تطوير البرمجيات والنمذجة التنبؤية. ومع ذلك، لا تزال عملية أتمتة تكوين هذه الأنظمة تمثل تحدياً هيكلياً، نظراً لأن الدرجات متاحة فقط على مستوى النظام، بينما تُحدد المعلمات التي تؤثر على سلوك الوكلاء محلياً.

هنا يأتي دور CANTANTE، وهو إطار عمل مبتكر يهدف إلى حل مشكلة تخصيص الائتمان من خلال تحليل مكافآت النظام على مستوى وكلاء فرديين. يعتمد النهج على تباين المخرجات الناتجة عن تكوينات متعددة لنفس الاستفسار، مما يمكن من توليد إشارات تحديث لكل وكيل على حدة.

تم تصميم CANTANTE بمعالجة تحسين الاستفسارات (prompt optimization)، حيث يتم اعتبار استفسارات الوكلاء كمعلمات قابلة للتعلم. تمت مقارنة فعالية CANTANTE مع أساليب تحسين أخرى مثل GEPA وMIPROv2 في مجموعة من المهام: تطوير البرمجيات (MBPP)، التفكير الرياضي (GSM8K)، والإجابة على الأسئلة متعددة المراحل (HotpotQA).

أظهرت النتائج أن CANTANTE يحقق أفضل متوسط ترتيب بين جميع المحسِّنين المُقييمين، متفوقاً بشكل ملحوظ على الاستفسارات غير المحسَّنة. بالإضافة إلى ذلك، حقق تحسيناً إضافياً بمقدار 18.9 نقطة مئوية في MBPP و12.5 نقطة مئوية في GSM8K، مع تقليل تكلفة الاستدلال.

الأهم من ذلك، أكدت تحليل علاقات الائتمان لدينا أن الإشارات الناتجة تكون ذات دلالة لكل وكيل، بدلاً من تكرار الدرجة العالمية للنظام. بهذا، يساهم CANTANTE في تعزيز فاعلية الأنظمة الذكية ويعكس تقدماً حقيقياً في هذا المجال المتطور.

ما هو رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحدث تغييراً جذرياً في طريقة عمل الأنظمة الذكية؟ شاركونا في التعليقات.