في عالم الذكاء الاصطناعي، تُعتبر أنظمة الوكلاء المتعددة القائمة على نماذج اللغات الضخمة (Large Language Models) خطوة متقدمة نحو تحسين القدرة على التفكير المعقد من خلال التخصص في الأدوار والتعاون المستمر. لكن، تكمن إحدى التحديات الكبرى في كيفية ضبط هذا التعاون ليتماشى مع كفاءة النظام الحالي في معالجة الاستفسارات.

فما هي الطريقة الخلاقة لتحسين هذه العلاقة؟ نقدم اليوم إطار عمل مدرك للكفاءة (Competence-Aware Framework) يهدف إلى تعزيز التنسيق بين الوكلاء عبر مرحلتين. تعتمد المرحلة الأولى على نمذجة كفاءة النظام من خلال المهام المخصصة في الوقت الفعلي، بينما تقوم المرحلة الثانية باستخدام هذه الإشارة لتكييف تنشيط الأدوار ورسم خريطة التواصل.

تظهر النتائج التي حصلنا عليها عبر ستة معايير مختلفة أن نظامنا حقق متوسط درجات تصل إلى 93.81%. كما تُظهر التجارب التي أجريت على ستة أنظمة LLM بمستويات مختلفة من الكفاءة، أن التقنيات المستخدمة تعدل مستوى التعاون تبعًا لكفاءة كل نظام. حيث تم تحسين الدقة المتوسطة من 87.22 إلى 89.97% في الأنظمة ذات الكفاءة الأعلى مع تقليل تكلفة الرموز بنسبة 36.26%. بالأضافة إلى أن الأنظمة ذات الكفاءة المنخفضة حققت ارتفاعًا إضافيًا بمتوسط قدره 4.58 نقطة مقارنة بالأساليب الحالية.

تفتح هذه النتائج الباب أمام تحسينات كبيرة في مجالات الذكاء الاصطناعي المتعددة، مما يسمح بتبني استراتيجيات أكثر كفاءة. كيف ترى دور الذكاء الاصطناعي في تطوير الأنظمة التعاونية؟ شاركونا آراءكم في التعليقات!