في عالم الذكاء الاصطناعي المتقلب، تظهر نظم الذكاء الاصطناعي المركبة (Compound AI Systems) التي تربط بين مكالمات نماذج اللغات الضخمة (Large Language Models) على شكل رسوم بيانية للعميات الموجهة كالهندسة المهيمنة للإنتاج. ومع ذلك، بالرغم من تجاوز هذه النظم للقيود التقليدية، لم يكن هناك إطار عمل يقيس كيف تنتقل الاضطرابات عبر هذه الأنظمة، والتي يمكن أن تتواجد فيها نقاط عشوائية وتتباين المسارات التنفيذية بشكل هيكلي.

هنا يأتي دور QUIVER، الإطار الرسمي الذي يقدم لنا أدوات قياس انتقال الاضطرابات في خطوط أنظمة اللغات الضخمة.

QUIVER وكيف يعمل؟ ">ما هو QUIVER وكيف يعمل؟


QUIVER يحدد عدة مكونات رئيسية:
1. **مصفوفة الحساسية**: تصنف الحواف إلى موسعات (Amplifiers)، وبالعات (Absorbers)، وحساسة للعتبات (Threshold-sensitive)، مع مقاييس المسافة المخصصة.
2. **انحراف المسار**: يكسر التباين إلى انحراف القيم، وانحراف المسارات الهيكلية، وعدد التكرارات.
3. **عتبات التقسيم**: تحدد أصغر اضطراب يسبب تغييرات هيكلية في مسارات التنفيذ.
4. **ثقة التوزيع**: تقيس متى يتباين مجموعات بيانات التقييم لكل نقطة مع توزيعات الإنتاج.

لقد تم التحقق من فعالية QUIVER على منصتين إنتاجيتين، بالإضافة إلى نظام مفتوح المصدر متعدد القفزات، حيث نظرت الدراسة في أكثر من 8,200 أثر تم جمعه.

النتائج:


تظهر النتائج أن QUIVER يكشف عن ملفات حساسية مميزة بين الهياكل المختلفة للأنظمة، ويميز بين أنماط التدفق الميكانيكية التي تنتج عنها معدلات انحراف متطابقة. كما يتنبأ بالعقد المعرضة لتقسيم المسار من خلال البيانات الملاحظة فقط.

يسلط هذا البحث الضوء على الأبعاد الجديدة لفهم نظم الذكاء الاصطناعي المركبة، ويعالج نقاط الضعف المحتملة بطريقة علمية دقيقة.

**ماذا يعني لك هذا التطور في عالم الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!**