في عالم يتنامى فيه استخدام أنظمة الذكاء الاصطناعي متعددة العملاء (Multi-Agent Systems)، تكمن التحديات الرئيسية في القدرة على التنبؤ بتصميم الأنظمة المناسبة لمهام جديدة، وكذلك تشخيص أسباب إخفاقها. ولتجاوز هذه الفجوة، يقدم الباحثون مفهومًا جديدًا يُسمى DIANOIA، الذي يُعد بمثابة إطار تشخيصي لتحديد وتحليل نقاط ضعف أنظمة الذكاء الاصطناعي.

DIANOIA يعتمد على تقسيم أداء نظم التفكير المتعددة العملاء إلى ثلاثة قنوات رئيسية: التغطية (Coverage)، الدقة (Fidelity)، والتركيب (Synthesis). كل من هذه القنوات قابلة للقياس بشكل تجريبي، مما يعطي الباحثين قدرة أفضل على تحديد القنوات التي تشكل عنق الزجاجة (Bottleneck) في كل مهمة محددة.

تم تطبيق هذا الإطار من خلال نظام متعدد العملاء يتكون من ثلاث مكونات تتوافق مع القنوات المذكورة سابقًا: مقترحون ذوو تنوع في الأدوار لتوسيع التغطية، والتحقق المبني على التنفيذ للدقة، والتركيب التكراري.

عند تطبيق هذه الاستراتيجية على مجموعة من المهام مثل GSM8K وAIME-2025 وMBPP وBFCL-SP، أظهرت منهجيتنا تفوقًا ملحوظًا على معايير الأداء التقليدية، حيث ادعت نجاحها في تقليل تكاليف الاستخدام بمعدل يصل إلى 5 مرات مع إضافة تحسينات في الدقة تبلغ 4.6 نقاط مئوية.

يتيح هذا الإطار الجديد للباحثين والممارسين إعادة تصور تصميم أنظمة الذكاء الاصطناعي باعتباره عملية واعية بتوزيع الموارد، مما يساهم في تحسين الجوانب المختلفة وفق متطلبات كل مهمة. لتحقيق أقصى استفادة، يمكن لمطوري البرامج والمستخدمين الاستفادة من الشيفرة المصدرية والمواد التشخيصية التي ستُتاح عبر الرابط المحدد.

استنادًا إلى هذه الإنجازات، يصح القول إن DIANOIA تمثل قفزة نوعية في جهود تحسين أنظمة الذكاء الاصطناعي متعددة العملاء، وتعتبر خطوة هامة نحو تحقيق أداء أكثر فعالية وكفاءة في مجالات متعددة.