أصبح تحسين الأداء في تدفقات العمل الذكية (Agentic Workflows) محور اهتمام كبير في أبحاث الذكاء الاصطناعي، حيث تكمن التحديات في تكاليف التنفيذ المرتفعة. لذا، أُطلق GLOW، الإطار الجديد الذي يهدف إلى تحسين توقع أداء هذه التدفقات.

يتمثل جوهر GLOW في دمج قدرة نماذج الشبكات العصبية (Graph Neural Networks - GNNs) على نمذجة الهياكل مع قوة التعلم العميق لنماذج اللغات الضخمة (Large Language Models - LLMs) التي تدعم فكرتنا من حيث الفهم الدلالي.

كيف يعمل GLOW؟ يبدأ ببناء نموذج LLM موجه للشبكات بناءً على مهام فهم النصوص لوصف تدفقات العمل، مما يساعد في استخراج التمثيلات الدلالية الدقيقة. في نفس الوقت، تُستخدم GNNs لنمذجة المعلومات الهيكلية وتوفير تمثيلات هيكلية مطابقة.

ثم تُدمج هذه التمثيلات في فضاء مشترك من خلال وحدة دمج تعتمد على نموذج Transformer. وإضافةً إلى ذلك، يتم استخدام استراتيجية تعليم تقابلي لتحسين فعالية التمثيلات.

التجارب على قاعدة بيانات FLORA-Bench أثبتت أن GLOW يتفوق باستمرار على النماذج السابقة من حيث دقة التوقع والفعالية. وبفضل دمجه في AFLOW، وهو إطار لتوليد تدفقات العمل تلقائيًا، قلص GLOW وقت تحسين الأداء بنسبة 98.7% مع بقاء الانخفاض المتوسط في الدرجات عند 0.031 فقط عبر ثلاث مجموعات بيانات.

هذا الابتكار يقترح نهجًا جديدًا وفعالًا لتقليل العمليات المعقدة المرهقة، مما يؤكد دوره كبديل فعال لتقييم وتحسين تدفقات العمل الذكية.