تخطيط المهام الهرمي (HTN) هو نهج مبتكر يعكس تطوراً في أساليب التخطيط التقليدية، حيث يقوم بتفكيك المهام الكبيرة إلى مهام أصغر يمكن تنفيذها بدلاً من البحث عن تسلسل خطي من الإجراءات. هذا الأمر يسمح بتوظيف المعرفة الميدانية في تسريع عمليات البحث عن الحلول، لكنه يُواجه تحديات عديدة تتجاوز تلك التي تواجهها تقنيات البحث الكلاسيكي.

مؤخراً، أجرى باحثون دراسة مثيرة لاستكشاف ما إذا كانت نماذج اللغة الكبيرة (Large Language Models - LLMs) يمكن أن تُنتج استراتيجيات بحث فعّالة لتخطيط HTN. الدراسة، التي امتدت لتشمل ستة مجالات معيارية لتخطيط HTN، استخدمت مُخطط Pytrich لتقييم هذه الاستراتيجيات المولدة مقارنة بقواعد البيانات المستقلة.

كانت النتائج مثيرة للإعجاب، حيث أظهرت أن الاستراتيجيات التي أنشأتها نماذج اللغة الكبيرة تتماشى تقريباً مع أفضل مخططات تخطيط HTN المتاحة، مع تقليل ملحوظ في الجهود المبذولة في 83% من المشاكل المشتركة. يُظهر هذا الإنجاز كيف يمكن لأدوات الذكاء الاصطناعي أن تُحدث تحولاً في طرق التخطيط وتعزز الفعالية من خلال تقنيات جديدة.

في عالم الذكاء الاصطناعي المتطور، تُعد هذه الدراسة خطوة نحو دمج المعرفة المتخصصة مع تقنيات الذكاء الاصطناعي لتحسين كفاءة التخطيط. كيف ترون دور النماذج اللغوية في المستقبل؟