إغلاق فجوة الاتساق: وكالات ذاتية التطور تتعلم كيفية الحفاظ على المسار

في عالم الذكاء الاصطناعي، تُعتبر الموثوقية إحدى التحديات الكبرى التي تواجه الأنظمة المعتمدة على نماذج اللغات الكبيرة (Large Language Models). وقد أظهرت الدراسات أن وكالات الذكاء الاصطناعي، مثل وكيل ReAct المتعتمد على GPT-4.1، تستطيع أن تحقق دقة متوسطة إلا أنها تعاني من خلل في الاتساق عندما تُطبق في بيئات الإنتاج. هذه الظاهرة، المعروفة بفجوة الاتساق، تُظهر أن هذا الوكيل ينجح في إتمام نفس المهمة خمس مرات فقط بمعدل نجاح 53%، رغم أن المعدل العام لفقراته يصل إلى 77%.

لذا، تم تطوير إطار عمل جديد لوكالات ذاتية التطور، يهدف إلى تقليل هذه الفجوة من خلال تحديد الخطوات غير المستقرة في مسارات الوكالات وتحويلها إلى ذاكرة حادثية يمكن للوكيل الاستفادة منها في المستقبل. يتضمن هذا النظام أداة تُعرف باسم "محلل الاتساق"، والتي تستشعر العوامل التي تؤدي إلى تغيير موثوقية المسار خلال التنفيذات المتكررة.

كما يتم تزويد النظام بمولد توجيهي يقوم بتحويل التشخيصات إلى توجيهات محددة يتذكرها الوكيل ويستخدمها في المهام المستقبلية المشابهة. النتائج الأولية تشير إلى أن هذا الإطار قد زاد نسبة المهام الناجحة في جميع التنفيذات الخمسة بنسبة 16 نقطة للتحقق من نفس المهمة، و13 نقطة لتعميم المهام المشابهة. هذه التطورات تُمثل خطوة مهمة نحو نشر وتقوية الثقة في أنظمة الذكاء الاصطناعي.

ما رأيكم في هذا التطور المثير في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.