في عالم الذكاء الاصطناعي، يعد إنشاء مشغلين رمزيين يدويًا واحدًا من أكبر التحديات التي تحول دون تطبيق أنظمة تخطيط المهام والحركة (TAMP) بشكل فعّال. ولكن، نجد أن الأبحاث الحديثة تظهر لنا تقدمًا رائعًا، حيث يمكن تعلم هذه المشغلين بشكل مباشر من بيانات العرض!

تقوم الطرق التقليدية على تعلم كل إجراء بشكل منفصل، مما يعيق القدرة على فهم التركيب المتكرر لمهام المعالجة. وهذه المشكلة تصبح مجهدة بشكل خاص في المهام الطويلة التي تتطلب خطوات متسلسلة متعددة. لكن فريق الباحثين قد اقترح نظامًا جديدًا يحل مشكلتين في آن واحد.

تتمثل الميزة المركزية في نظامهم في إنشاء مشغلين كبار تلقائيًا، وهي إجراءات مركّبة تعمل على ضغط تسلسل متكرر من الإجراءات الفردية في خطوة تخطيط واحدة. هذا النظام يكتشف أزواج الإجراءات المرتبطة سببيًا مباشرة من بيانات التدريب، حيث ينتج إجراء واحد بالضبط الشرط الذي يتطلبه الإجراء التالي، ويحوّل كل زوج إلى مشغل جديد.

بالإضافة إلى ذلك، يقوم النظام بإزالة كل خاصية لم تُستخدم في أي مشغل متعلم، مما يساعد على تقليص حالة الرموز التي يتم تقييمها في كل نقطة بحث. بمجملها، تؤدي هذه التغييرات إلى تقصير أفق التخطيط الفعّال، وتزداد الفوائد مع زيادة طول المهمة.

عند الاختبار عبر أربعة مجالات من TAMP، حقق النظام الجديد زيادة تصل إلى 4.6 مرات في سرعة التخطيط مقارنةً بالطريقة التقليدية المعروفة باسم "تعلم المشغلين لـ TAMP". والأكثر أهمية، أنه استطاع حل مهمة طويلة لم يكن بالإمكان حلها باستخدام الطريقة التقليدية.

إن اكتشاف المشغلين الكبار يُظهر لنا أنه لا يسرع فقط التخطيط، بل وفي بعض المجالات يحدد فعليًا قابلية الحل.