هل تحتاج الوكلاء الاستباقيون فعلاً إلى نموذج لغوي ضخم لاتخاذ قرارات؟

في عالم الذكاء الاصطناعي الحديث، يتساءل الكثيرون: هل يحتاج الوكلاء الاستباقيون (Proactive Agents) حقًا إلى نموذج لغوي ضخم (Large Language Model) لاتخاذ قراراتهم بشكل فعال؟ يقرأ الوكلاء الاستباقيون نشاط المستخدم ككتلة نصية، مما يتطلب الاتصال بنموذج لغوي ضخم في كل حدث لتحديد ما إذا كان يجب عليهم اتخاذ إجراء.

ومع ذلك، من المهم إدراك أن نشاط المستخدم لا يأتي في شكل نص أصلاً، بل هو في الواقع سلسلة أحداث مstructured تتألف من مجموعة من العناصر: الفاعل (actor)، الفعل (verb)، الهدف (object)، والطابع الزمني (timestamp). تحتفظ نظم التشغيل بهذه البيانات بالفعل بشكل بياني.

وإذا اعتبرنا هذه الإشارات الدائمة كتحUpdates للنظام البياني بدلاً من نصوص، يمكننا استخدام نموذج تعلم بياني زمني (Temporal Graph Learning Model) كحل بديل. يعمل هذا النموذج على إنتاج احتماليات تفعيل لكل حدث وسجل توجيه لكل كيانات النظام، مما يقلل من الاعتماد على النماذج اللغوية الضخمة ويعزز من السرعة.

أظهرت النتائج أن هذا النموذج (TGL) يمكن أن يحسن من معدل دقة (F1) على كل نموذج اختبار، بمتوسط زيادة يصل إلى 16.7 نقطة، وصولاً إلى 46 نقطة في بعض الحالات. كما يستفيد النموذج من سرعة تنفيذ مذهلة، حيث يعمل بمعدل 11.13 مللي ثانية لكل حدث على خادم GPU و13.99 مللي ثانية على أجهزة الكمبيوتر الشخصية؛ مما يجعله أسرع بكثير من الاستخدام التقليدي للنماذج اللغوية الضخمة.

بالتالي، فإن الحاجة إلى نماذج لغوية ضخمة يمكن أن تكون أقل مما قد نتوقع، وقد نجد في المستقبل أن الحلول المخصصة مثل TGL هي المفتاح لتحسين الأداء والكفاءة في أنظمة الوكلاء الاستباقيين.