في عالم الذكاء الاصطناعي المتسارع، يعد تدريب وكلاء استدعاء واجهات التطبيقات البرمجية (API) تحديًا رئيسيًا يتطلب كميات هائلة من البيانات عالية الجودة. غالبًا ما يتطلب جمع هذه البيانات بيئات تنفيذية مكتملة وقواعد بيانات جاهزة، مما يتسبب في تعقيدات تعيق قابلية التوسع. لكن، ماذا لو أخبرناك أن هناك طريقة جديدة انتُشلت من ابتكارات العلم تتيح لك توليد بيانات صناعية بشكل فعال دون الحاجة لهذه البيئات المعقدة؟

أظهرت دراسة حديثة من arXiv كيفية استخدام نماذج لغوية ضخمة (Large Language Models) كنماذج لعوالم رقمية - لتوليد بيانات صناعية في الوقت الحقيقي. يعتمد هذا الأسلوب على المواصفات المتوفرة لـ API، وبتفعيل هذه النتائج، يتم إنشاء تفاعلات تحاكي البيئة الحقيقية بين الوكلاء والمهمة.

تبدأ العملية بإنتاج نماذج لغوية متنوعة لمهام يمكن حلها باستخدام APIs المتاحة. بعد ذلك، يتم استخدام وكيل معلم لحل هذه المهام تدريجيًا، بينما ينشئ نموذج لغوي مُحاكي استجابات API الاصطناعية بناءً على تاريخ تفاعل المهام. وأخيرًا، يقوم نموذج لغوي قاضي بتنقية النماذج الناتجة لضمان جودة مجموعة البيانات النهائية.

ثبتت التجارب على مقاييس AppWorld وOfficeBench، التي تتضمن كلًا من مهام استرجاع المعلومات ومهام تغيير الحالة، أن هذا النهج يعزز الأداء بشكل ملحوظ. تُظهر النتائج أن التحسين الفعال للوكلاء يعتمد على بيانات مُطورة، دون الحاجة إلى بيئات تنفيذية معقدة، مما يجعل محاكاة API المعتمدة على نماذج لغوية ضخمة حلاً عمليًا وقابلًا للتوسع لتدريب الوكلاء عبر أنظمة API المتنوعة.

هل تعتقد أن هذا الاكتشاف يمكن أن يغير مستقبل تعلم الآلة؟ شاركونا أفكاركم في التعليقات!