في عالم تحليل البيانات، يعد استخراج الميزات التلقائية (Automated Feature Generation) من البيانات الجدولية عملية حيوية، إذ يتيح التعلم الآلي (Machine Learning) تقديم نتائج دقيقة وقابلة للتعميم. ومع ذلك، تقتصر الطرق التقليدية على المكتبات المعرفة مسبقًا، مما يقلل من قدرتها على التعامل مع المهمات المعقدة.

ومع ظهور النماذج اللغوية الكبيرة (Large Language Models) مؤخراً، ساهمت في تحسين الإشارات الدلالية المتاحة لكن ظلت تعاني من قيود مساحة الميزات ورغبة في تحسين الإنتاجية. هنا يأتي دور النظام الجديد الذي يحمل اسم MALMAS، والذي يمثل نظامًا متعدد الوكلاء يعتمد على الذاكرة ويقدم حلاً فريدًا لتجاوز هذه التحديات.

يعمل MALMAS من خلال تقسيم عملية التوليد إلى وكلاء متعددين، حيث يقوم وكلاء مختلفون بمسؤوليات محددة، وتقوم وحدة التوجيه (Router Agent) بتنشيط مجموعة مناسبة من الوكلاء في كل دورة، مما يمكّن من استكشاف مساحة الميزات بشكل أوسع.

إضافة إلى ذلك، دمج النظام وحدة ذاكرة تتضمن ذاكرة إجراءات وذاكرة تغذية راجعة وذاكرة مفاهيمية، مما يتيح تحسين العمل بشكل تكراري. هذا يسهل توجيه توليد الميزات القادمة، مما يزيد من جودتها وتنوعها.

نتائج التجارب التي تم إجراؤها على مجموعات بيانات عامة متعددة أظهرت فعالية هذا النظام مقارنة بأحدث المعايير الحالية. يمكنكم الاطلاع على الكود المتاح على GitHub للحصول على مزيد من التفاصيل.

ما الذي تتوقعونه من هذه التكنولوجيا الجديدة؟ شاركونا آراءكم!