في عالم الذكاء الاصطناعي، تعتبر موثوقية وكلاء البحث (Search Agents) عنصرًا حيويًا يرتبط بشكل مباشر بمدى نجاح التطبيقات المختلفة. ومع تزايد تعقيد البيانات وعمليات التعلم، يواجه هؤلاء الوكلاء أزمة كبيرة في الموثوقية خلال عملية تحسين التعلم المعزز (Reinforcement Learning). في هذا السياق، جاء الإطار الجديد CAS (Conformalized Agentic Search) ليقدم حلاً مبتكرًا لمشاكل هامة تعاني منها أنظمة البحث التقليدية.

تعتبر تقنيات الاسترجاع المعروفة بنموذج Top-K عرضة لفقدان الدلائل الحاسمة أو إدخال ضوضاء غير ضرورية. بالإضافة إلى ذلك، تعزز تقنيات التعلم المعزز المتطورة من زيادة ثقة الوكلاء بشكل يسبب أحيانًا استخراج إجابات غير دقيقة أو غير موثوقة.

إطار العمل الجديد CAS يقدم حلولاً فعّالة. يتم استخدام مفهوم التوقعات المتوافقة (Conformal Prediction) لتعزيز موثوقية عملية الاسترجاع والتدريب. من جهة استرجاع المعلومات، يقوم CAS بتطبيق مجموعة توقعات مُتكيفة (Adaptive Prediction Set) تعتمد على تغطية إحصائية لتقليل حجم الوثائق المدخلة بشكل ديناميكي. ومن جهة التدريب، يوفر الإطار خوارزمية استدلال مُتكيفة (Adaptive Conformal Inference) تُساعد في بناء مجموعات توقعات دقيقة مع تغطية قابلة للتحكم، مما يسمح بتحديد ثقة الإجابات. هذه الخطوات تضمن أن يتعلم النموذج من المعلومات الدقيقة فقط.

أظهرت التجارب التي أجريت على مجموعات بيانات الأسئلة والأجوبة ذات خطوة واحدة وخطوات متعددة أن إطار العمل CAS يُحسن بشكل ملحوظ من دقة التفكير، مع تقليل كبير في عمليات الاستدعاء غير الضرورية. وبهذا، يؤسس CAS نموذجًا جديدًا وموثوقًا للوكلاء الذكيين يمكن أن يُحدث تغييراً جذرياً في كيفية تعامل أنظمة الذكاء الاصطناعي مع المعلومات. للمزيد من التفاصيل، يمكنكم الاطلاع على الكود الخاص بالإطار عبر هذا الرابط.