في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) أدوات قوية، لكنها قد تحمل معها تحديات جديدة تتعلق بكفاءة الأداء. مؤخرًا، تم تقديم تطوير مُثير يحمل اسم بوابة التنفيذ الديناميكية المدركة للمكافأة (Reward-Aware Dynamic Execution Gate) أو اختصارًا (RADEG)، وهو نظام مبتكر صُمم ليكون حلًا فعّالًا للتحديات المرتبطة بتنفيذ المهارات المعتمدة على هذه النماذج.

إن المهارات التي يستخدمها وكلاء نماذج اللغات الضخمة واضحة في قدرتها على توفير معرفة إجرائية قابلة لإعادة الاستخدام. ومع ذلك، فإن استرجاع المهارات ليس مقياس كافٍ لضمان تنفيذ مجدي. تنفيذ كل مهارة يتطلب موارد حسابية كبيرة، مما يجعل اتخاذ القرار بشأن تنفيذ حزمة المهارات المُسترجعة عملية مهمة للغاية.

تعمل بوابة RADEG كنظام قرار خفيف الوزن وغير معتمد على المُسترجع، حيث يتواجد بين استرجاع المهارات وتنفيذ الوكيل. يقوم هذا النظام على تعلم نموذج بديل منخفض التكلفة، يساهم في التنبؤ بفائدة التنفيذ لكل زوج من الحزم المُسترجعة قبل بدء العمل المكثف.

لتوفير دعم معلوماتي والتحكم في صعوبة المهام، يقوم النظام بتعديل كل حزمة تم استرجاعها محليًا عن طريق حذف أو إضافة أو استبدال مهارة واحدة، بحيث يتم إنتاج عمليات إطلاق مماثلة تعزل تأثير تركيبة الحزمة على المكافأة المُتحقق منها. وما يميز RADEG أنه خلال مرحلة التنفيذ، يقوم بتحديث رأس لوجستي مُبدأ فقط بوجود ملاحظات جديدة من المُحققين، مما يمكّن من تعديل الحدود بين التنفيذ والتجاوز بتكاليف قليلة ودون الحاجة لإعادة تدريب المُسترجع أو الوكيل.

في التجارب، بين تقييم المستوى الخاص بالاستفسارات لـ 288 عملية إطلاق تم جمعها، أظهر RADEG قدرته على تقليل التنفيذات غير الضرورية مع الحفاظ على جزء كبير من المكافأة من الطرف المُحقق. لقد تفوق بلا توقف على نماذج البوابة المستندة إلى الصلة وعبر مختلف ميزانيات التنفيذ، مما يثبت أن النمذجة البديلة المدركة للفائدة تُعد تكملة عملية وفعالة من حيث التكلفة لاسترجاع المهارات.

أصبحت RADEG خطوة بارزة في مجال تطوير وكلاء نماذج اللغات الضخمة، مما يفتح الأبواب لمزيد من الابتكارات في توظيف الذكاء الاصطناعي بشكل أكثر كفاءة دون تحميل الأنظمة أعباءً زائدة.