في عالم يتزايد فيه الاعتماد على نماذج اللغات الكبيرة (Large Language Models)، كان تحسين كفاءة أنظمة الوكلاء المتعددين (Multi-Agent Systems) يمثل تحديًا حقيقيًا. وفي هذا السياق، تُظهر تقنية INFRAMIND الإمكانيات الواعدة لتحقيق هذا الهدف بدقة وفعالية.

تعتمد معظم أساليب توجيه الوكلاء المتعددين الحالية على مجموعة من الطُرق الحادة أو الموجهة المُتعَلمة، التي تختار النماذج وهياكلها استنادًا إلى ميزات المهام والنماذج، لكن يظل هناك ثغرة كبيرة: عدم اعتبار الحالة التشغيلية للبنية التحتية المستخدمة. على سبيل المثال، في بيئات GPU المشتركة تحت ضغط عبء العمل المتزامن، يُمكن أن يؤدي تجاهل هذه الجوانب إلى استخدام غير فعّال للموارد، حيث تتزايد قوائم الانتظار للنماذج المفضلة بينما تبقى البدائل القادرة على الأداء جالسة.

في ظل أنظمة متعددة الوكلاء، حيث تؤدي كل استفسار إلى استدعاءات متعددة للنماذج بشكل متسلسل، تتزايد التأخيرات مع كل خطوة تالية. لقد ابتكر الباحثون INFRAMIND كإطار عمل يجعل نظام الوكلاء المتعددين متوازنًا مع البنية التحتية. حيث يقوم مُخطط يدرك البنية التحتية بتكييف اختيار الهيكل والأدوار بحسب تحميل النظام الفعلي والميزانية المتاحة، مما يوجه النظام نحو الرسوم البيانية الأكثر بساطة عند الازدحام، نحو الأكثر ثراءً عند انخفاض التحميل.

ثم يقوم المنفذ المُدرك للبنية التحتية بمراقبة أعماق قائمة الانتظار والاستفادة من الذاكرة (KV-cache) وزمن الاستجابة عند كل خطوة، لتحديد النموذج المناسب للاستدعاء ومدى عمق التفكير. لتدعيم هذه العملية، يقدم مجدول واعٍ بالميزانية ترتيبًا مختلفًا لكل نموذج بحيث تُعطى الأولوية للطلبات العاجلة.

مع إطاره الذي يتخذ شكل MDP مقيد هرمي وحلَّه عبر التعلم المعزز، يتعلم النظام تلقائيًا كيفية تحقيق توازن بين الجودة وزمن الاستجابة. وعبر خمسة معايير، أظهرت INFRAMIND نتائج مذهلة، حيث تمكنت من تحقيق زيادة تصل إلى 7.6 نقطة مئوية في الدقة مقارنةً بالبرايم الحالى عند انخفاض التحميل، مع تقليل زمن الاستجابة حتى 7 مرات، والحفاظ على امتثال عالي (99.9%) لمعايير الخدمة تحت تحميل مرتفع، في حين انخفضت النماذج الأساسية إلى أقل من 50%.

إذا كنتم من المهتمين بتطورات الذكاء الاصطناعي وكيفية تحسين أدائه في ظل ضغوط العمل المتزايدة، فإن INFRAMIND هي التقنية التي تحتاجون لمتابعتها! ما رأيكم في هذا التطور؟ شاركونا في التعليقات!