في عالم تكنولوجيا الذكاء الاصطناعي، تبرز الأنظمة متعددة الوكلاء المعتمدة على نماذج اللغات الضخمة (LLMs) كأحد أبرز الابتكارات، ولكنها قد تواجه إخفاقات حتى عند إجراء خطط مُحكمة وفعّالة. السبب؟ ما يُعرف بسوء تقدير المعرفة (Epistemic Miscalibration).

ففي أغلب الأحيان، تعتقد هذه الأنظمة أن خططها ممكنة التنفيذ، لكنها في الواقع تعاني من نقص في تقييم جدوى خططها في ظل معلومات جديدة. هذا الأمر يمكن أن يُخفي الأخطاء السابقة ويعيد ظهورها في المستقبل.

للتغلب على هذه التحديات، تم تقديم مفاهيم جديدة تُعرف بتدفق العمل القائم على تخطيط المعرفة (EPC-AW). يعتمد هذا النظام على تقييم ما إذا كانت الخطط مدعومة تحت شروط معلومات متغيرة، بدلاً من التحقق المباشر من الجدوى.

يستفيد تدفق العمل من خوارزمية تعتمد على تناسق المعلومات (Information-consistency-based Plan Selection)، حيث يتم اختيار الخطط التي تتمتع بتقييم مستقر عبر الوكلاء. بالإضافة إلى ذلك، يقوم بتوجيه تحسين الحالة الإبستيمية (Consistency-guided Epistemic State Refinement) للتكيف مع الزمن من خلال الاستفادة من الفجوات السابقة في التقدير لدعم التخطيط المستقبلي.

تظهر التجارب أن هذا النظام يُحسن من فرص نجاح الأنظمة متعددة الوكلاء بنسبة مُتوسطة تبلغ 9.75%. وهذا يُعتبر تطوراً مهماً في مجال الذكاء الاصطناعي قد يُحدث فارقًا كبيرًا في كيفية عمل الأنظمة المعقدة.

هل تعتقد أن هذه الاستراتيجيات الجديدة تكفي لضمان نجاح الأنظمة المستقبلية؟ شاركونا آراءكم في التعليقات!