تعلم من الفشل: تحسين ذاتي في وقت الاستنتاج لوكلاء الكمبيوتر لتجاوز التحديات

في ظل التطور السريع الذي يشهده مجال الذكاء الاصطناعي، تظهر أهمية وكلاء الكمبيوتر (Computer-use agents) الذين يستخدمون نماذج لغات ضخمة متعددة الوسائط (Multimodal Large Language Models - MLLMs) لأداء المهام المختلفة. ومع ذلك، فإنهم يواجهون تحديات كبيرة في جمع البيانات ذات الجودة العالية بكميات كبيرة. الاستراتيجية الشائعة تعمد إلى إنتاج بيانات اصطناعية من خلال حلقة تحسين ذاتي، حيث يتم تدريب الوكيل في بيئة قابلة للتحقق وتحسينه اعتماداً على سلوكياته الناجحة.

ورغم نجاح هذه الطريقة، فإنها تتجاهل التجارب الفاشلة التي تعتبر وجودها غنيمة من المعلومات حول نقاط الضعف لدى الأنموذج. من هنا، تم تقديم مقاربة جديدة في دراسة حديثة تستعرض فكرة استغلال الفشل كوسيلة لتحسين الأداء، حيث تقترح هذه المقاربة إنشاء حلقة تحسين ذاتي مدفوعة بالفشل.

باستخدام نموذج OpenCUA-72B الرائد، قامت الدراسة باختبار هذه الاستراتيجية الجديدة على معيار OSWorld، ونجحت في رفع معدل النجاح من 42.3% إلى 48.9%، مما يعكس مكاسب ملحوظة تصل إلى 6.6 نقاط مئوية دون أي تكاليف إضافية أو وقت تدريب إضافي كبير.

تظهر نتائج هذه الدراسة أن تحسين الأداء القائم على الفشل يمكن أن يكون مكملاً فعالاً للنهج التقليدي القائم على النجاحات، مما يعزز الكفاءة في تحسين أداء الوكلاء. وبذلك، قد يكون هذا النهج حجر الزاوية للتطور القادم في عالم وكالات الذكاء الاصطناعي.