استراتيجية مبتكرة: فصل التخطيط والبحث عبر نمذجة المكافآت الهرمية

في عصر تتسارع فيه الابتكارات في مجال الذكاء الاصطناعي، تبرز أنظمة استرجاع المعلومات المدعومة بالتوليد (Retrieval-Augmented Generation - RAG) كنموذج محوري لتحسين نماذج اللغات الضخمة (Large Language Models - LLMs) عبر دمج المعرفة الخارجية بشكل ديناميكي. ومع ذلك، طرأ تحدٍ جديد على الساحة، وهو كيف يمكن تحسين مرونة هذه الأنظمة، مما أدى إلى تقديم نهج Agentic RAG الذي يعزز من استخدام الوكلاء المستقلين في سير العمل.

لكن هذا النهج لم يكن خاليًا من التحديات. فنجاح كل خطوة يعتمد على التخطيط عالي الجودة والبحث الدقيق، دون وجود إشراف فعلي للخطوات الوسيطة للتفكير. كما أن الفضاء الكبير المتزايد من المرشحين للتخطيط والبحث كان يمثل أيضًا تحديًا بارزًا.

لذلك، تم طرح مفهوم DecoupleSearch، وهو إطار عمل مبتكر يفصل بين عمليات التخطيط والبحث باستخدام نماذج قيمة مزدوجة. هذا الفصل يُمكن من التحسين المستقل لتفكير التخطيط وأساسيات البحث. يُبنى هذا الإطار على هيكل شجري للتفكير، حيث يمثل كل عقدة خطوات التخطيط والبحث.

لضمان جودة كل خطوة، يتم استخدام تقنية بحث الشجرة مونت كارلو (Monte Carlo Tree Search). وخلال مرحلة استنتاج المعلومات، يتم تحسين المرشحين في التخطيط والبحث بشكل تكراري باستخدام بحث شعاعي هرمي (Hierarchical Beam Search) بالتعاون مع نماذج القيمة المزدوجة.

أثبتت التجارب الواسعة عبر نماذج السياسة متعددة الأحجام الفعالية الكبيرة لهذه الطريقة الجديدة، مما يعد بآفاق واعدة في تحسين نتائج أنظمة الذكاء الاصطناعي.