في عالم الذكاء الاصطناعي، يعتبر نظام الوكلاء المتعددين (Multi-Agent Systems - MAS) بفضل نماذج اللغات الكبيرة (Large Language Models - LLMs) من الأدوات القوية في حل المشكلات المعقدة. تعتمد كفاءة هذه الأنظمة بشكل كبير على التركيب التواصلي بين الوكلاء، ولكن الطرق الحالية لإنشاء التركيب لا تأخذ بعين الاعتبار التحديات التي تطرأ عند التعامل مع مهام متطورة ومتغيرة باستمرار.

تقدم الورقة البحثية extsc{MasFACT} حلاً مبتكرًا لمشكلة "نسيان التركيب" (Topology Forgetting)، وهي ظاهرة تحدث عندما يتكيف النظام مع مهام جديدة دون الاحتفاظ بالأنماط التعاونية الفعالة السابقة. تحدث هذه المشكلة بسبب عدم التطابق في التوجهات الوظيفية والهيكلية بين المهام المختلفة.

تستخدم extsc{MasFACT} إطار عمل يعتمد على هندسة نقل المعرفة (Geometry-Aware Posterior Transfer) للحفاظ على المعرفة التعاونية القديمة كأولويات قابلة للنقل. وتقوم بتحويل هذه الأولويات عبر فضاءات الوكلاء الخاصة بالمهام بواسطة تقنية النقل الأمثل (Fused Gromov-Wasserstein Optimal Transport)، إضافة إلى إجراء تكييف لاحق مستند إلى تقنية PAC-Bayes الموجهة لتوازن بين مرونة المهام والاستقرار الهيكلي.

أظهرت التجارب التي أجريت عبر إعدادات مستمرة على مستوى الفئات والمجالات والمهام أن extsc{MasFACT} تحسن بشكل ملحوظ الدقة المتوسطة للنظام وتقلل من مشكلة نسيان التركيب مقارنةً بأساليب توليد التركيب التقليدية وأساليب إعادة التشغيل. كما يمكن دمجها بسهولة مع مولدات التركيب في أنظمة الوكلاء المتعددين المختلفة.

ما رأيكم في أهمية الحفاظ على المعرفة التاريخية في أنظمة الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات.