في عالم الذكاء الاصطناعي الحديث، تتطلب التطبيقات الفعّالة لل نماذج اللغات الضخمة (Large Language Models) معالجة تحديات تقنية متعددة تتعلق بالتخطيط بعيد المدى، ونسبة المكافآت القليلة، والتفاعل الديناميكي مع البيئات المختلفة. لذلك، تم تصميم عملية مبتكرة لوكلاء الذكاء الاصطناعي تهدف إلى تحسين هذه الجوانب بشكل جذري.

تستند الهندسة المعمارية المقترحة إلى دمج عدة مفاهيم أساسية في الذكاء الاصطناعي، مثل الرؤية (Visual)، واللغة (Language)، والتوليد (Generative)، والشبكات (Graph)، والأنظمة متعددة الوسائط (Multimodal)، وتعلم التعزيز (Reinforcement)، وذكاء الوكلاء (Agent Intelligence). على عكس النماذج الأساسية التقليدية، التي تعتمد على التوجيه الثابت وتفتقر إلى حلقات الإدراك-الفعل القوية، يقدم نهجنا آلية توجيه تعتمد على عملية اتخاذ القرار جزئية الملاحظة (POMDP) مدعمة بنموذج داخلي للمكافآت الذاتية التصحيح.

يساهم هذا النموذج في تقييم مسارات القرار قبل التنفيذ، بما يضمن جودة القرارات المتخذة. من خلال دمج المدخلات متعددة الوسائط ومبادئ تعلم التعزيز المتقدمة، مثل تحسين السياسة القريبة (Proximal Policy Optimization) وتقدير دالة القيمة (Value Function Approximation)، يحتفظ الوكيل بذاكرة هيكلية طويلة الأمد ويعدل مسارات تفكيره ديناميكيًا لتقليل تراكم الأخطاء.

تم إجراء تجارب تجريبية على بيئة محاكاة ALFWorld ومعيار الملاحة عبر الإنترنت WebShop، حيث أظهرت النتائج تحسنًا بنسبة 24.5% في معدل نجاح المهام وكفاءة المسارات مقارنة بالأسس السائدة مثل إطار ReAct القياسي. تؤكد الدراسات الشاملة على المساهمة الكبيرة لنموذج النقد المدفوع بالمكافأة في تقليل معدلات الهلوسة، مما يعكس تقدمًا ملحوظًا في مجال وكالات الذكاء الاصطناعي.

في الختام، تقدم هذه العمارة الإطار العملي والمرجعي القابل للتوسع لتطوير تقنيات الذكاء الاصطناعي في الأنظمة الذاتية المعقدة متعددة الخطوات. يمكن الاطلاع على الشيفرة البرمجية المتوفرة على GitHub. هل أنتم متحمسون لهذا التطور؟ شاركونا آرائكم في التعليقات.