في عصر يتطور فيه الذكاء الاصطناعي بسرعة، نقدم لكم أحدث الابتكارات في مجال التخطيط الذكي من خلال نهج مبتكر يجمع بين التخطيط العام (Generalized Planning) وتفكيك المهام الهرمي (Hierarchical Task Decomposition) المعتمد على نماذج اللغات الضخمة (Large Language Models).

حيث تم تقديم أسلوب جديد يُعرف بتعلم مكونات هرمية للتخطيط العام (HCL-GP)، والذي يتيح لعملاء الذكاء الاصطناعي تعلم سياسات محددة المعالم يمكن أن تُعمم عبر مختلف الحالات. وتقوم هذه الطريقة باستخراج مكونات قابلة لإعادة الاستخدام من التنفيذات الناجحة وتنظيمها في مكتبة مكونات متطورة، مما يسهل توليد سياسات تركيبية.

الأسلوب المقترح يواجه ثلاثة تحديات رئيسية:
1. **تعلم المكونات** من خلال التفكيك الآلي.
2. **تعميق عمومية المكونات** لزيادة فرصة إعادة استخدامها.
3. **استرجاع فعال** عبر البحث الذاتي.

عند تقييم هذا النموذج على معيار AppWorld، أثبتت النتائج أن هذا النهج يحقق دقة استثنائية تصل إلى 98.2% في المهام العادية و97.8% في المهام الصعبة ذات التطبيقات غير المعروفة، متفوقاً بمقدار 15.8 نقطة مقارنةً بالتوليد الثابت في السيناريوهات التحديّة.

كما أظهر نماذج مفتوحة المصدر أن إمكانية إعادة الاستخدام الديناميكية تُحقق نسبة نجاح تصل إلى 62.5%، مقارنةً بنسب متدنية جداً بدون إعادة استخدام. هذه النتائج تؤكد أنه يمكن دمج مفاهيم التخطيط التقليدية بشكل فعال مع عملاء نماذج اللغات الضخمة لتحسين الدقة والكفاءة.

ما رأيكم في هذا التطور المثير؟ شاركونا آرائكم في التعليقات!