تشهد صناعة الذكاء الاصطناعي تحولاً بارزاً بفضل الابتكارات المستمرة في نماذج التعلم الآلي، وأحد هذه الابتكارات هو نموذج HELIX الذي يركز على مفهوم "تطور الحوامل" (Harness Co-evolution). يعتمد النموذج الجديد على فكرة أن تحسين قدرة الوكلاء التفاعليين لا يتوقف عند تحسين النموذج نفسه، بل يشمل أيضاً تصميم الحوامل التي تتوسط بين السياق والأدوات وحركة التحكم.

تعتبر الحوامل أساسية في تحديد ما يمكن أن تحققه النماذج وكيفية تعلمها. من هنا، جاء مفهوم التطور المتبادل بين النموذج والحامل، حيث تُبنى الحوامل لنموذج ثابت، ويتم تحديث النموذج بناءً على تجارب سابقة موثوقة، ثم يعاد بناء الحوامل مع تغير قدرات النموذج.

لتنفيذ هذه العملية، قدم HELIX بيئة يمكن تتبعها لتطور الحوامل. يقوم HELIX بتفكيك أنظمة الوكلاء إلى مكونات قابلة لإعادة الاستخدام، مما يجعل التدخلات ضمن النظام واضحة وقابلة للتدقيق. وهذا يسمح بتتبع الأداء والمتغيرات عبر الزمن.

تمت تجربة HELIX في جولة تطورية واحدة على إصلاح الأكواد، حيث اكتشفت مجموعة من 65 مرشحاً حاملًا ثابتاً يحسن من تغطية المهام بنسبة 4% مقارنة بنموذج Pi، بينما كشفت المجموعة الكاملة عن تغطية موثوق بها تصل إلى 58% بفضل السلوك التكميلي للأشقاء.

تظهر النتائج كيف تتشكل علاقة تبادلية بين الحامل والنموذج والبيانات، حيث يعمل تطور الحوامل على توسيع القدرات الحالية ويخلق إشارات تعلم للنموذج التالي. بفضل HELIX، أصبح لدينا واجهة قابلة للتدقيق لدراسة هذه العملية التكرارية. يمكنك استكشاف الكود المتاح على GitHub.