في عالم الذكاء الاصطناعي، يتطلب تصميم أساليب فعالة لمشكلات التحسين المتنوعة الكثير من الخبرة والبحث المتكرر. ومن خلال الاستفادة من نماذج اللغات الضخمة (Large Language Models)، تم تحقيق تقدم كبير في أتمتة عملية توليد وتطوير الحلول. لكن تبقى مشكلة الاعتماد على الملاحظات من المشكلات التي يتم تحسينها تحديًا مركزيًا عندما يتعلق الأمر بالتعميم على تعريفات المسائل الجديدة.

اليوم، نعرض لكم إطار عمل جديد يسمى MECo، وهو يعتمد على نماذج اللغات الضخمة ويساعد في تحقيق تفاعل متعدد المهام لتحسين الحلول عبر عدة مشكلات دون الحاجة إلى البحث أو التكيف الإضافي. يقوم هذا الإطار بإدارة مجموعة من الحلول المشروطة بالمهمة، ويستخدم فجوة النقل بناءً على أداء السكان عبر المهام لتوجيه تفاعلاتها.

تتيح هذه التفاعلات نقل وتوليف الحلول الموجودة، مما يساعد في بناء مجموعة مختصرة مكافأة كل عضو فيها على تغطيته الإضافية لمجموعات المصدر. وقد أظهرت التجارب التي أجريت على 32 نوعًا مختلفًا من المشكلات في مجالات توجيه المركبات (VRP) وجدولة وظائف مرنة (FJSP) أن MECo يحقق أقل متوسط للتكاليف مقارنةً مع ثمانية نماذج أخرى لتصميم الحلول.

الأهم من ذلك، أن دمج إطار MECo مع طرق تصميم الحلول الأخرى يعزز الأداء في كل من نماذج البيانات الداخلية والخارجية، مما يدعم فعاليته عبر تقنيات مختلفة. هذا الابتكار يعد بوابة جديدة نحو تحسين الإنتاجية والفعالية في مجالات متعددة، فهل ستكون هذه بداية لتحولات عميقة في كيفية تعاملنا مع تحديات الذكاء الاصطناعي؟