في عالم الذكاء الاصطناعي، تتطلب سير العمل المتعددة الوكلاء (Multi-agent workflows) تحسينًا دائمًا لأداء المهام، حيث تعتمد هذه السلسلة من العمليات على التخطيط والتنفيذ والتحقق والتلخيص. ومع ذلك، فإن قيمة كل مكون تعتمد على الحالة الموجودة مسبقًا. قد يؤدي تنفيذ جميع المكونات بشكل تقليدي إلى إضاعة الوقت أو حتى تجاوز استجابة صحيحة.

في هذا السياق، تم تقديم مفهوم جديد يُسمى 'تعلم ما يجب تخطيه' (Learning What to Skip - LW2S). هذا المفهوم يقوم على صياغة عملية تخطي المكونات كإسناد ائتماني عكسي (Counterfactual Credit Assignment)، حيث تكشف سجلات العمل الكاملة عن مكافأة المسار المنفذ، بينما تكشف التدخلات المخططة لتخطي خطوة مستقبلية عن العواقب المحتملة.

تستخدم تقنية LW2S نماذج أمان محددة لكل فعل، وتتشارك مع وسائل الحماية الأصلية للمجال لاختيار الخطوات التي يجب تخطيها. على سبيل المثال، عندما يتم رفض تخطي خطوة مبكرة، يمكن لوحدة التحكم الاستمرار في التنفيذ وإعادة التفكير في مكون لاحق.

أظهرت التجارب التي أجريت على مسائل حسابية، وأسئلة متعددة الخيارات (Multiple-choice QA)، وتوليد الأكواد مع عائلتين من نماذج التعليمات، أن LW2S يقلل من تكاليف التوكن المسجلة بينما يحافظ على الدقة العامة أو حتى يحسنها في السياقات التي تم تقييمها.

كما تتناول تجارب أخرى كيفية ترميز تكرار المكونات المشتركة، وتوضح حالات الأخطاء المشتركة لماذا لا يكفي الاتفاق وحده لاختيار الخطوات التي يجب تخطيها. هذه الاكتشافات توصل بين تنفيذ سير العمل بكفاءة وبين تعلم المنفعة الشرطية للمكونات الفردية، مما يفتح الأبواب أمام تحسين كبير في نماذج الذكاء الاصطناعي وسير العمل.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحدث ثورة في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!