في عالم الذكاء الاصطناعي، تسعى الأنظمة المتقدمة لتحسين كيفية تفاعل عدة وكلاء لتنفيذ مهام متكاملة. في هذا السياق، تم تقديم مفهوم GRADRAG كأحد الحلول الثورية التي تتيح للوكلاء تحسين أدائهم بشكل متكامل.

تعمل أنظمة توليد المعلومات المعززة (Retrieval-Augmented Generation - RAG) عادة على أساس وكلاء متعددين، لكن العديد من الأبحاث السابقة كانت تركز على تحسين كل عنصر بشكل منفصل. هنا يأتي دور GRADRAG، وهو إطار يعتمد على تصور أنظمة RAG كشبكة حسابية حيث يتم نقل معلومات التغذية الراجعة المهيكلة لتحسين الوكلاء.

يعتمد GRADRAG على وجود مُقيّم يقوم بتقييم الإجابات والمعلومات الداعمة المقدمة من الوكلاء، مما يوفر تغذية راجعة قابلة للتنفيذ تستخدمها مُحسّنات الطلبات لتحديث الوكلاء بشكل تدريجي. ومن ضمن مهام هذا المُقيّم هو إيقاف العملية مبكرًا إذا تبين أن النتائج مرضية.

لقد تم تقييم GRADRAG على معايير SQUALITY وQMSUM تحت نمطين من استرجاع المعلومات: استرجاع مبني على أجزاء مسطحة باستخدام تحسينات استعلام بأسلوب IRCoT، واسترجاع قائم على الرسوم البيانية التي تبني وتعزز بشكل تدريجي رسم كاريكاتوري للكيانات والعلاقات من الوثائق.

كما أظهرت النتائج تفوقًا ملحوظًا لإطار GRADRAG مقارنة بأساليب التحسين البسيطة التي تركز فقط على الجيل النهائي، حيث حقق تحسينات ملحوظة تصل إلى 12-15 نقطة مئوية في تقييمات نموذجية.

فهل تعتقدون أن هذا الأسلوب الجديد سيحدث تغييراً جذرياً في كيفية تفاعل الوكلاء في أنظمة الذكاء الاصطناعي؟ نرحب بآرائكم في التعليقات!