في عالم الذكاء الاصطناعي، تعتبر وكالات النماذج اللغوية الكبيرة (Large Language Models) من أبرز التقنيات القابلة للتفاعل. ومع ذلك، تظل قدرتها على التطور المستمر من خلال التجربة محدودة، حيث يعتمد التكيّف التقليدي على الوصول إلى المعلمات وتكلفته الحسابية العالية، مما يجعلها أقل مرونة، خاصة للنماذج الكبيرة والمغلقة المصدر. لذلك، يقدم الإطار الجديد، المسمى SAGA (الوكالات الذاتية التطور عبر المعرفة المجردة) حلاً مبتكرًا.

بدلاً من تعديل معلمات النموذج، يتيح SAGA للوكالات تجميع الخبرات باستخدام الذاكرة الخارجية، مما يسمح بزيادة القدرة على تطوير المعرفة دون الحاجة إلى تغييرات جذرية في الهيكل. تركز الأساليب الحالية بشكل رئيسي على تمثيل الخبرات وتنظيمها، بينما تبقى المعرفة المكتسبة مرتبطة ارتباطًا وثيقًا بمهام وسياقات محددة، مما يحد من قدرتها على التعميم.

تكمن التحديات الرئيسية في كيفية تحويل التفاعلات المحددة إلى معرفة مجردة وقابلة لإعادة الاستخدام، توجه القرارات المستقبلية. يهدف SAGA إلى تذليل هذه العقبات من خلال تحويل مسارات التفاعل إلى أوصاف وصفية، وإجراءات قابلة لإعادة الاستخدام، ومبادئ ذات شروط تطبيق واضحة.

أظهرت التجارب المنفذة في بيئتي ScienceWorld وALFWorld تحسنًا ملحوظًا في أداء المهام، حيث تم تسليط الضوء من خلال الدراسات التوضيحية على أهمية التطبيق السياقي وتنظيم الإجراءات للاستفادة من المعرفة على مستوى المبادئ.

في الختام، يعتبر SAGA خطوة هامة نحو تحقيق مستوى أعلى من الذكاء الاصطناعي، حيث يرتقي بقدرات الوكالات إلى مستوى جديد من الفهم والتكيف. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.