تتقدم المجتمعات العلمية في مجال قواعد البيانات بشكل ملحوظ من خلال الابتكارات التي تسعى لتلبية احتياجات جديدة تتعلق بالعمل. في الفترة الأخيرة، طرح الباحثون مفهومًا ثمينًا يُسمى "رسوم الخبرة" (Experience Graphs)، والذي يمثل تحوّلًا في كيفية معالجة الوكلاء الذكاء الاصطناعي للمهام الطويلة المدى مثل توليد الأكواد والاكتشافات العلمية وتصميم الأجهزة.

يتعامل الوكلاء الذكاء الاصطناعي مع عمليات معقدة تشمل إنشاء المعروضات، تنفيذ الأدوات، مراقبة الأخطاء، والانطلاق لإصلاح الأخطاء عبر مئات الخطوات. من خلال هذه العمليات، يتكون كائن منظم يُطلق عليه اسم "رسم الخبرة"، والذي يتضمن مواضيع مثل المعروضات القابلة للتنفيذ، مخرجات الأدوات، المكافآت، ومقارنات الأخوة.

مع ذلك، تعالج الأطر الموجودة حاليًا هذه الخبرات على أنها بيانات يمكن التخلص منها، مثل سجلات JSON وبيانات الجلسات التي لا يمكن استرجاعها بعد حدوث أي عطل أو استعلامها عبر المستخدمين. وهنا يأتي الاقتراح الثوري بمشروع Trellis، الذي يعيد تصنيف رسم الخبرة كحالة بيانات من الدرجة الأولى قابلة للاستعلام.

تشمل الفوائد الرئيسية لتصميم "Trellis" التعامل مع الرسوم كبيانات قابلة للاستعلام، مما يتيح مراجعة البيانات المعقدة بطريقة أكثر فعالية. مُعززة من خلال تطبيق "KernelEvolve"، مُحسِّن النواة الذي تنتجه شركة Meta، حيث تمتاز هذه المنصة أعلى بكثير في السرعة والكفاءة وتقليل التكاليف.

بينما نجد أن "Trellis" يحول بحث الاستعلام خلال مراحل الاستدلال من مجرد عملية غير مستقرة إلى موردٍ مؤسسي قوي، يُظهر كيف يمكن للرسوم أن تجعل وكلاء الذكاء الاصطناعي أكثر قدرة على التراكم والتطور بمرور الوقت.

فكيف يمكن أن يُشكل هذا الابتكار مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.