في عالم الذكاء الاصطناعي، يسعى المطورون دائمًا لتقليل التكاليف وزيادة الكفاءة. إحدى المشاكل التي تؤرق الكثيرين هي كيفية تقليل تكاليف التوكن (token costs) في التطبيقات التي تعتمد على واجهات المستخدم الرسومية (GUI) التي تتطلب عمليات تجميع متكررة. وهنا يأتي دور نظام PACE (Payback-Aware Compilation from Experience).

تتمثل الفكرة الأساسية وراء PACE في قياس العوائد الناتجة عن تجميع الإجراءات المتكررة، مما يساعد على تقليل النفقات العامة الناتجة عن تشغيل هذه البرامج. لكنه، كأي نظام، يواجه تحديات كبيرة. فأولاً، تكاليف التجميع ليست واضحة دائمًا، إذ قد تتطلب بعض المحاولات إصلاحات وتعديلًا دون ضمان النتائج. ثانيًا، البيانات حول إعادة الاستخدام في المستقبل تبقى غير مؤكدة؛ حيث يمكن أن تتوقف المهام عن الوصول أو قد يؤدي تغير الواجهات إلى عدم عمل البرامج كالمعتاد.

للتغلب على هذه الصعوبات، يقوم PACE بإنشاء بروتوكول قياس يسجل تكاليف التجميع الناجحة والفاشلة، ويقارن بين تكاليف تنفيذ الوكلاء والبرامج في سياقات متطابقة لتقدير المدخرات المحتملة وعدد العوائد. من خلال هذه القياسات، يقارن النظام تقديرات المدخرات المستقبلية مع تكاليف التجميع، بما في ذلك المحاولات الفاشلة، بناءً على البيانات السابقة.

وفقًا للاحتياجات المرصودة، يحدد النظام ميزانية إجمالية قبل السماح بأي إجراء، سواء كان تنفيذ البرنامج أو التجميع، مما يساعد في تحقيق أقصى استفادة من الموارد المتاحة. في المحاكاة التي تم إجراؤها باستخدام بيانات المهام المسجلة، أثبت نظام PACE فعاليته، حيث قلل تكاليف التوكن بمعدل يتراوح بين 17.3% إلى 24.9% مقارنة بأساليب أخرى مثل ReAct وAutoRPA وToolPro.

بتفاصيله الدقيقة، يعد PACE خطوة مذهلة نحو كفاءة أفضل في البرمجة وتوفير تكاليف الذكاء الاصطناعي. كيف يمكن أن تؤثر تقنيات مثل هذه على مستقبل البرمجة وتطوير البرمجيات؟ نحن متشوقون لسماع آرائكم في التعليقات أدناه!