في عصر الذكاء الاصطناعي، تُعد الأنظمة القابلة للتوسع والتكيف أمرًا حيويًا، خاصةً عندما يتعلق الأمر بالشبكات المعقدة التي تعتمد على الوكلاء المتعددين. هنا يأتي دور مشروع MeshHeal، الذي يستند إلى نموذج لغوي ضخم (Large Language Model) ويقدم حلاً مبتكرًا للتعافي الذاتي لوكلاء الذكاء الاصطناعي في الحالات المعقدة.

تتضمن التحديات الرئيسية في هذا النوع من الشبكات ما يُعرف بالفشل الرمادي (Gray Failure)، حيث يبقى العميل فعالاً فيما أداؤه لحل المهام يتدهور ببطء. لمواجهة هذا التحدي، تم تطوير MeshHeal كنظام غير مركزي يُساعد الوكلاء في استعادة الجودة المفقودة بأقل تدخل ممكن.

كجزء من هذا النظام، يتم استخدام مراجعة الأقران المتوازنة للصلاحيات عبر فترتين زمنيتين. في الفترات الزمنية القصيرة، يتم تصعيد المخرجات الغامضة أو المنخفضة التصنيف من خلال مراجع فردية إلى مشاورات لجان لتصحيح الأمور قبل استخدامها. بينما في الفترات الأطول، يتم تجميع البيانات لتحديد وتفريق حالات التدهور المستمرة عن التباين الطبيعي في المخرجات، مما يؤدي إلى استعراض أكثر دقة وتفصيلاً.

ولتعزيز موثوقية تقييم المسارات، تم تقديم تقييم MAS المدعوم بالنماذج، الذي يربط بين مهام التنفيذ ونماذج القدرة، مما يسهم في تقليل الأخطاء في التوجيه.

النتائج كانت مثيرة للإعجاب؛ حيث حقق MeshHeal دقة تصل إلى 0.839 في مرحلة التدهور، مقارنةً بـ0.807 لنموذج Symphony باستخدام بيانات أكثر بكثير.

باستخدام MeshHeal، تمت معالجة قضايا التدهور بفعالية، مما يسمح للوكلاء بالتعافي وإعادة الانضمام للمهام دون التأثير على الجودة العامة للمنظومة.