ابتكار جديد: تعزيز أداء وكلاء الذكاء الاصطناعي عبر نصائح هيكلية مبتكرة!

في عالم الذكاء الاصطناعي، تُستخدم وكلاء لغات النماذج (Language-Model Agents) لأغراض متخصصة مثل الأبحاث المالية والرعاية الصحية والقضايا القانونية. على الرغم من كفاءة هؤلاء الوكلاء في أداء المهام، إلا أنهم لا يزالون يفوتون بعض التفاصيل الدقيقة. فعلى سبيل المثال، في المالية، قد تتضمن هذه التفاصيل معلومات حول التقارير المعلنة أو كيفية كشف الشركة عن بعض المعايير.

تدريب الوكيل لتعلم هذه التفاصيل يمكن أن يكون مكلفًا، وفي كثير من الأحيان يستحيل ذلك في حال كان الوكيل نظامًا مغلقًا أو متشاركًا. بدلًا من ذلك، يقدم الخبراء طريقة مبتكرة تُعرف بعملية تقطير النصائح الهيكلية (Hindsight Structured Advice Distillation).

تقوم الفكرة على استخدام نموذج مستشار صغير يقوم بقراءة كل إدخال ويكتب نصائح هيكلية تُضاف إلى برنامج الوكيل المجمد. يتم تدريب المستشار بفلسفة التصحيح الحالي، حيث يتم تحليل فشل الوكيل لمدة معينة، واختبار استراتيجيات متعددة لمعرفة أي منها كان الأكثر فاعلية لكل إدخال. يقوم معلم برؤية الدرجات والتتبعين بكتابة النصيحة التي كانت ستساعد الوكيل.

يتعلم المستشار بعد ذلك، من خلال تحسين الإشراف، كيفية كتابة هذه النصيحة اعتمادًا على الإدخال فقط. مما يجعل هذا الأسلوب ذو تكاليف تدريب منخفضة مع إضافة زمن تأخير بسيط.

على سبيل المثال، في تجربة تمت بتطبيق هذه التقنية على FrontierFinance، أظهر مستشار بحجم 8B تحسنًا ملحوظًا في معدل التأهل لوكيل أبحاث خاص، حيث ارتفع من 52.9% إلى 56.6%. وهذا يمثل تحسينًا أعلى من إعداد الوكيل الأكثر جدية، والذي كان بتكلفة أقل بنسبة 37% لكل استفسار.

علاوة على ذلك، تُظهر الدراسات أن هذه الطرق لها أثر إيجابي أيضًا على منصات أخرى، مثل WebShop وBIRD text-to-SQL وExpertLongBench.

إذا كنت من المهتمين بعالم الذكاء الاصطناعي وتطوراته، هذا التطور الجديد يعد بمثابة خطوة مهمة نحو تعزيز قدرات الوكلاء وجعلهم أكثر فعالية في ميادين متعددة.