في عصر تكنولوجيا الذكاء الاصطناعي، تُعتبر الأنظمة الوكيلة (Agentic Systems) من الحلول الرائدة لتحديات متعددة قد تكون معقدة. فهي تعتمد على تنسيق الجهود بين عدة وكلاء يقومون باستمرار بإجراء عمليات تفكير واستدعاء أدوات وتبادل نتائج غير نهائية. لكن، مع تزايد استخدام فرق الوكلاء المتوازية لاكتشاف مسارات تفكير متنوعة، تبرز مشكلة التكلفة الحاسوبية الكبيرة.

عند تنفيذ عمليات موازية، قد يقوم عدة فرق بتحليل مشاكل مشابهة أو تنفيذ خطوات متكافئة، مما يؤدي إلى تكرار العمليات الحسابية بشكل كبير. ولكن، ماذا لو استطعنا استغلال المعلومات بشكل أكثر كفاءة؟ هنا، يبرز الابتكار المتمثل في آلية "تعلم المشاركة" (Learning to Share - LTS).

تسمح LTS بإعادة استخدام المعلومات الانتقائية بين الفرق دون تزايد غير مبرر في المعلومات مما يعزز كفاءة النظام. هذا من خلال توفير بنك ذاكرة عالمي متاح لجميع الفرق، مما يسهل عملية التوجيه في اتخاذ القرار بشأن ما إذا كان ينبغي إضافة خطوات معينة إلى الذاكرة. يتم تدريب هذا النظام باستخدام أسلوب التعلم المعزز (Reinforcement Learning) مما يمكنه من تحديد المعلومات التي تعتبر ذات فائدة عالمية في جميع العمليات المتوازية.

تشير التجارب التي أجراها الباحثون على مجموعتي البيانات AssistantBench وGAIA إلى أن LTS تقلل بشكل ملحوظ من زمن التنفيذ الكلي، مع تحسين أو حتى مساواة أداء المهام مقارنة بالأنظمة الموازية التي لا تستخدم الذاكرة. تؤكد النتائج أن إدخال ذاكرة تعلمية يمثل استراتيجية فعالة لتحسين كفاءة الأنظمة الوكيلة المتوازية.

إذاً، كيف يمكن للذكاء الاصطناعي أن يستفيد من هذه الابتكارات في المستقبل؟ شاركونا آرائكم وأفكاركم حول هذا التطور المثير!