في عالم التكنولوجيا الرقمية الحديثة، تُعد بيانات سجلات الأحداث (Event Log Data) واحدة من الأصول الأكثر قيمة، حيث تسجل هذه البيانات الأنشطة الدقيقة للمستخدمين وأحداث الأنظمة. ومع تعدد وتعقيد هذه البيانات الصناعية، يواجه المهندسون تحديات كبيرة في استخراج الميزات المفيدة منها.

يقدم لنا الباحثون نظام FELA (نظام الوكلاء متعدد التوجهات لهندسة الميزات)، والذي يمثل ثورة في هذا المجال. يعتمد FELA على استخدام أنظمة وكلاء متخصصة تتعاون فيما بينها لاستخراج الميزات المهمة من بيانات السجلات الصناعية المعقدة، حيث يجمع بين قدرات التفكير والكود للنماذج اللغوية الكبيرة (Large Language Models) ونموذج تطور ذاتي مدفوع بالبصيرة.

يتكون نظام FELA من عدة وكلاء، مثل
- **وكلاء الأفكار (Idea Agents)** الذين يبتكرون أفكار جديدة للميزات،
- **وكلاء الكود (Code Agents)** الذين يقومون بتنفيذ تلك الأفكار،
- **وكلاء النقد (Critic Agents)** الذين يقيّمون تلك الميزات الجديدة،
بينما يقوم **وكيل التقييم (Evaluation Agent)** بتلخيص التعليقات وتحديث قاعدة بيانات معرفية هرمية ونظام ذاكرة مزدوجة لضمان تحسين مستمر.

علاوة على ذلك، يقدم FELA خوارزمية تطور وكيل تجمع بين مبادئ التعلم المعزز (Reinforcement Learning) وخوارزمية الجينات (Genetic Algorithm) لتحقيق التوازن بين الاستكشاف والاستغلال في فضاء الأفكار المبتكرة.

أظهرت التجارب الواسعة على بيانات صناعية حقيقية أن FELA يستطيع توليد ميزات ذات صلة واضحة بالمجال، مما يعزز أداء النماذج ويقلل من الجهد اليدوي المطلوب. تبرز نتائج هذا البحث إمكانيات الأنظمة متعددة الوكلاء المستندة إلى النماذج اللغوية الكبيرة كإطار عمل عام لهندسة ميزات آلية، قابلة للتفسير ومرنة في البيئات الواقعية المعقدة.

هل تعتقد أن FELA يمكن أن يغير قواعد اللعبة في عالم البيانات الصناعية؟ شاركونا آراءكم في التعليقات!