في عالم الذكاء الاصطناعي المتطور، تواصل أنظمة التوصية (Recommender Systems) تحدياتها، حيث تعتمد أغلبها حتى الآن على المبرمجين لتعديلات معمارية وأهداف تدريب مستمرة. ولكن مع دخول نماذج اللغات الضخمة (Large Language Models) في هذا المجال، بدأنا نشهد شغفًا كبيرًا بتطوير نظم أكثر استقلالية.

يأتي ‘‘RecHarness’’ كحل مبتكر يُعرف بأنه نظام متكامل يعمل كحامل ذكي (Agentic Harness) يمكّن هذه الأنظمة من التحسين الذاتي باستخدام آلية مُركبة من تقنيات التجريب الذاتي. كيف ذلك؟

يستند مفهوم RecHarness إلى فصل عملية التحسين إلى مرحلتين رئيسيتين: يقوم النظام أولاً باختيار الاتجاه التالي للتعديل باستخدام خوارزمية توجيه bandit router تعتمد على تقييمات سابقة، بينما يتولى ثم نموذج اللغة الضخم (LLM) مهمة تقديم فرضية تحسين محددة وتعديل الكود بشكل جاهز.

علاوة على ذلك، يتضمن RecHarness آلية تُعرف باسم jump-basin، والتي تُفعّل ذراع قافز هيكلي عندما تواجه التعديلات المحلية الركود. قد أثبت هذا النظام فعاليته عبر اختبارات مختلفة في عدد من المهام ومنصات البيانات، حيث أظهر تحسينات أداء أكثر استقرارًا بالمقارنة مع طرق البحث التقليدية المعتمدة على التفكير في نموذج اللغة.

خلال اختبار A/B لمدة 7 أيام على منصة إعلانات الفيديو القصير، حقق RecHarness زيادة في معدلات الأداء لمؤشر ADVV بنسبة 2.084%، ورفع إيرادات المنصة بنسبة 0.534%، وزيادة في التعرض بنسبة 0.559%.

لا شك أن هذا التطور سيحدث تغييرًا جذريًا في الطريقة التي يعمل بها الذكاء الاصطناعي في أنظمة التوصية.

فإذا كنت من المهتمين بتطورات الذكاء الاصطناعي، فماذا تنتظر؟ انطلق لتجربة هذا الابتكار الرائع وشاركنا آراءك.