من الأدلة إلى الحلول: تطوير مسارات التفكير الاستدلالي لوكلاء الذكاء الاصطناعي المعزز بالاسترجاع

في عالم الذكاء الاصطناعي، يعد تطوير وكلاء الذكاء الاصطناعي المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG) من أهم المجالات التي تحظى باهتمام كبير. ومع ذلك، يواجه هذا التطوير تحديات كبيرة تتمثل في عدم توفر مسارات تفاعل دقيقة قابلة للتنفيذ بين الوكيل والبيئة المحيطة. البيانات الحالية توفر أسئلة وإجابات وأدلة، لكنها تفتقر إلى الإشراف الدقيق اللازم لاستدعاء البيانات، والتخطيط الديناميكي، واتخاذ القرارات خطوة بخطوة.

يبدو أن التعلم التعزيزي (Reinforcement Learning) يمثل حلاً محتملاً، لكنه غالباً ما يعاني من مكافآت نادرة وفشل في البداية عندما تفتقر نماذج اللغة الكبيرة (Large Language Models - LLMs) إلى القدرة الكافية على التفكير.

في هذا السياق، قام فريق من الباحثين بتقديم نموذج جديد يُعرف باسم EviPath، وهو نموذج جديد لتوليد مسارات التفكير الاستدلالي يركز على الأدلة لمساعدة تطوير وكلاء RAG. يقدم EviPath نهجاً مبتكراً يتضمن ثلاث مراحل رئيسية:
1. **تخطيط المهام الاستدلالية**: حيث يتم تقسيم الأسئلة وتخطيط مسارات الحل المعتمدة على الاعتماد.
2. **الإجابة على الأسئلة الفرعية بدقة**: استعمال الأدلة كمؤشر لمحاكاة البيئة لتوليد الأفكار والإجابات الوسيطة.
3. **تحسين المحادثات**: تحويل المسارات المكتملة إلى شكل حواري لتنسيق الإشراف.

أثبتت التجارب التي أُجريت على معايير الأسئلة الشائعة أن نموذجاً يحتوي على 8 مليارات معلمة تم تدريبه على مجموعة بياناتنا التركيبية يتفوق بشكل ملحوظ على الأسس الرائدة الحالية، محققًا زيادة بنسبة 14.7% في المطابقة المطلقة في مجال الأسئلة العامة.

إن التطور في نموذج EviPath يمثل خطوة مهمة نحو توفير آليات تفاعل أكثر قوة وموثوقية في نماذج الذكاء الاصطناعي، مما يمثل أملاً جديداً لمستقبل هذا المجال الحيوي.