في عصر الذكاء الاصطناعي، تكتسب الأنظمة متعددة الوكلاء (Multi-Agent Systems) أهمية متزايدة في إنجاز المهام المعقدة. رغم وجود هذه الأنظمة في المجال، إلا أنها تواجه مشاكل متكررة في التنسيق مثل انحراف الأهداف (goal drift) وسلسلة الأخطاء (error cascades) وسلوكيات غير متوافقة. في محاولة لتجاوز هذه التحديات، تم اقتراح طريقة جديدة تُعرف بالاستدلال الصريح للسمات (Explicit Trait Inference - ETI).

تقوم فكرة ETI على استنتاج وتحليل السمات الشخصية للأطراف المتفاعلة من خلال تاريخ التفاعلات، مستندةً إلى مفهومين نفسيين معروفين: الدفء (warmth) مثل الثقة، والكفاءة (competence) مثل المهارة. هذه الطريقة ليست فقط نظرية، بل أثبتت فعاليتها من خلال تجارب في بيئات محكومة (مثل الألعاب الاقتصادية)، حيث ساهمت في تقليل خسائر العائدات بنسبة تتراوح بين 45% و77%. كما أثبتت ETI نجاحها في بيئات معقدة أكثر تمثيلاً للواقع (مثل MultiAgentBench)، حيث حسّنت الأداء بنسبة تتراوح بين 3% و29% بناءً على السيناريو والنموذج المستخدم.

تشير النتائج إلى أن القدرة على استنتاج السمات توجه اتخاذ القرارات بين الوكلاء، وتؤكد أن انطباعات السمات تلعب دورًا حيويًا في تحسين التنسيق. هذه النتائج توفر أدلة منهجية حول قدرة وكلاء الذكاء الاصطناعي، المدعومين بنماذج اللغات الضخمة، على فهم سمات الآخرين من خلال تاريخ التفاعلات، مما يفتح أفقًا جديدًا في تصميم أنظمة متعددة وكلاء أكثر كفاءة.

ما رأيكم في إمكانية تحسين التنسيق بين الأنظمة المعقدة باستخدام الذكاء الاصطناعي؟ شاركونا بآرائكم في التعليقات.