مع الانتشار المتزايد لوكلاء الذكاء الاصطناعي (AI Agents)، أصبحت الاكتشافات العلمية الآلية هدفاً محتملاً جداً. ولكن، تدريب هؤلاء الوكلاء لتنفيذ العمل الثقيل في بحوث تعلم الآلة (Machine Learning) يتطلب إشرافاً مكثفاً على مستوى العمليات. ومع وجود معايير ثابتة حالياً تفتقر إلى خطوات وسيطة حاسمة مثل تصحيح الأخطاء والتفكير التراكمي، تصبح عملية جمع البيانات يدوياً باهظة التكلفة.

للتغلب على هذه العقبة في البيانات، نقدم ML-AutoResearch (ML-AR)، وهو نظام قابل للتوسع لتوليد مهام بحثية اصطناعية تشمل دورة بحث كاملة. تتضمن كل مهمة تحديد المشكلة، اختيار مجموعة البيانات، تنفيذ القاعدة، وتحسين مستمر. لضمان الواقعية وقابلية التنفيذ، تستند المهام إلى مجموعات بيانات حقيقية وتُحسَّن عبر إجراء تصحيح ذاتي آلي دون الحاجة لإشراف بشري.

قمنا ببناء مجموعة بيانات كبيرة مكونة من مسارات المعلمين على هذه المهام الاصطناعية لتدريب الوكلاء الطلاب عبر التخصيص الخاضع للإشراف. تم تقييم الوكلاء الناتجين عبر ثلاثة معايير بحثية متنوعة في مجال تعلم الآلة. أظهرت تجارب شاملة عبر نموذجين مختلفين وثلاثة أحجام نماذج أن التدريب على مسارات ML-AR يحقق مكاسب كبيرة ومتسقة في القدرات. حيث يحسن التخصيص Aggregation Under the Performance (AUP) بنسبة تصل إلى 9% ويعزز معدلات النجاح العامة بشكل ملحوظ، مما يبرز قدرة التحسين الخارجي القوي.