تُعتبر الأنظمة الذكية (Agentic Systems) من الحلول الواعدة لحل المهام المعقدة عن طريق تنسيق وكالات متخصصة تعتمد على نماذج لغوية كبيرة (Large Language Models). لكن أبرز التحديات التي تواجه هذه الأنظمة الحالية هي تحقيق النجاح في المهام مع مراعاة محدودية الكفاءة في التنفيذ، خاصةً في ظل القيود العملية مثل قدرات المنفذين وتكاليف الحوسبة.

في هذا السياق، تم تقديم نظام EASy، وهو إطار عمل مبتكر يدمج الذكاء الاصطناعي لتحسين الأداء والكفاءة بشكل متزامن من خلال استخدام أساليب التعلم المعزز (Reinforcement Learning). يتمتع EASy بقدرة على تنسيق وكالاته باستخدام معرفة واضحة بقدرات وتكاليف المنفذين المتنوعين، مما يعزز من كفاءة تنفيذه بشكل يتجاوز الطرق التقليدية التي تركز على الأداء فقط.

يقدم EASy عملية مبتكرة تُعرف باسم "خطة المعلم - العمل"، حيث تُقسم المهام المعقدة إلى مراحل يمكن إدارتها، كما يبني رسومات بيانية تنظر إلى الاعتماد بين المهام ويقوم بتخصيص المنفذين المناسبين، مع إمكانية تنفيذ الخطوات بشكل متزامن. وعلاوة على ذلك، يتكيف النظام مع النتائج الوسيطة لاتخاذ قرارات أفضل في المراحل التالية.

ولتعليم المنسق، تم تطوير إجراء تسويق هيكلي يستكشف بدائل تقسيم المهام وخطط التنفيذ، بالإضافة إلى مكافآت متعددة المكونات تعكس دقة المهمة وكفاءة التنفيذ واكتمال المسار. وقد أظهرت التجارب الشاملة على مجالات متعددة مثل التفكير الرياضي وصنع القرار المعتمد على الجسم، أن EASy يتفوق باستمرار في تحقيق توازن قوي بين الأداء والكفاءة مقارنةً بالمعايير الذكية القوية.

هل أنتم متحمسون لمعرفة كيف يمكن أن تغير الأنظمة الذكية مثل EASy الطريقة التي نؤدي بها المهام المعقدة؟ دعونا نتشارك الآراء في التعليقات!