دايدالوس: تعزيز ذاكرة الوكلاء الذكيين من خلال المهام الذاتية!

في عالم الذكاء الاصطناعي، تمثل النماذج اللغوية الضخمة (Large Language Models) جيلًا جديدًا من التكنولوجيا، ولكنها غالبًا ما تواجه تحديًا كبيرًا عند العمل في بيئات جديدة، خاصة عندما يتعلق الأمر بفهم سلوك الأدوات المختلفة والمعايير البيئية. ومع افتقارها لذاكرة التجارب السابقة، قد تتكرر الأخطاء، مما يؤدي إلى فشل الأطروحات وزيادة الوقت المستغرق.

للتغلب على هذه العقبة، قدم الباحثون تقنية جديدة تُدعى دايدالوس، وهي آلية مبتكرة لتشكيل ذاكرة قابلة لإعادة الاستخدام عبر مهام يتم إنشاؤها ذاتيًا، دون الحاجة إلى مهام جاهزة أو تحققات مسبقة. تجمع هذه التقنية بين وكيلين: مستكشف يتفاعل مع البيئة لإنتاج مهام صعبة لكن قابلة للحل، ومحلل يحاول تنفيذ هذه المهام.

تُستنبط القواعد من كل فشل يقوم به المحلل، وتُقبل فقط بعدما يحقق المحلل النجاح بشكل متكرر باستخدام هذه القاعدة في سياقات معينة. كما توفر النتائج أيضًا تغذية راجعة للمستكشف لتحسين صعوبة المهام المستقبلية.

من خلال الاختبارات على منصات متعددة مثل AppWorld و$ au^2$-bench وAutomationBench، حقق دايدالوس تحسنًا في معدلات النجاح بمقدار يصل إلى 15.9 نقطة ورفع معدل النجاح بواقع 2.2 مرة مقارنةً بنموذج بدون ذاكرة. وعلاوة على ذلك، تثبت هذه النتائج أن الأداء يمكن أن يتحسن حتى مع ميزانية استكشاف صغيرة، كما أن القواعد المستخرجة تفيد الوكلاء من عائلات نماذج مختلفة.

علاوة على الجانب المتعلق ببناء الذاكرة، تبين أن المهام التي ينتجها دايدالوس يمكن أن تعمل كآلية بديلة لمهام التقييم عند تصنيف النماذج وفقًا للأداء.

للاطلاع على التعليمات البرمجية والموارد المتعلقة بهذه التقنية الرائدة، يمكنك زيارة [رابط_المقال] www.github.com/illuin-tech/daedalus.