في عصر الذكاء الاصطناعي، يظهر تقني جديد يحمل اسم البحث التطوري الجماعي (Evolutionary Ensemble Search)، ويسعى إلى تقديم قفزات نوعية في مجال تعلم الآلة. في جوهر هذه الاستراتيجية، تم تشكيل مجلس خاص يضم مجموعة من الخبراء يقومون بتوجيه تطور البرمجيات بناءً على الأدلة التجريبية ونتائج المهام المحددة.

تتعدد آليات البحث في هذا النظام، حيث يعمل منظم (Orchestrator) على توجيه التوجيهات الناتجة عن المجلس إلى مختصين بالقيام بالتنفيذ ومحرك تطوري. يعتمد المحرك على اختيار البرامج الوالدية بناءً على قياسات دقيقة لأدائها، ويقوم بتشخيص الأخطاء واستخراج نتائج جديدة عبر تعديل الشفرات وتحرير خطوط الأنابيب وإجراء عمليات التباديل الأمر الذي يعزز من فعالية الحلول المطروحة.

وعلى طلب التنفيذ، يتوجب على كل برنامج جديد أن ينفذ ويجمع أدلة التحقق الخاصة به. وفي إطار الحفاظ على التنوع، يعمل أرشيف السكان على الاحتفاظ بالبدائل المفيدة، بينما تتنافس التنبؤات المتوافقة في مراحل التحقق المخصصة.

تتكيف آليات البحث أذكياء نهجها بناءً على الأفراد الذين تم اختيارهم، وتستند ذاكرتها إلى دروس مستفادة من المسارات السابقة. تم إعداد مستند شامل يعرض آلية تطوير هذه النماذج وعدد من العبر والتجارب الناجحة.

تظهر النتائج التي تم تسجيلها في دفتر سجل تطوير MLE-bench Lite أن النظام حقق معدل نجاح بلغ 86.36% عبر 22 مهمة، حيث حقق أفضل النتائج بفضل الكثير من الأبحاث والتجارب. يشمل العمل مجالات متعددة، تبدأ من النصوص والصور، مروراً بالجداول والصوت، إلي الهندسة العلمية والتحولات المحددة.

هذه النتائج والتطورات تشهد على التقدم الكبير الذي تحقق بفضل البحث التطوري الجماعي، والذي يعد بمثابة خطوة بارزة نحو تقديم حلول مدعومة بمقاييس دقيقة واستشارات خبيرة في مجال الذكاء الاصطناعي.