في السنوات الأخيرة، يشهد مجال البحث العلمي تقدمًا ملحوظًا في استخدام تقنيات الذكاء الاصطناعي (AI) لأتمتة العديد من العمليات. صحيح أن نظم تدفقات العمل العلمية تقوم بأتمتة التنفيذ — مثل الجدولة، والتعامل مع الأعطال، وإدارة الموارد — إلا أنها كانت تفتقر إلى القدرة على التحويل الدلالي الذي يسبق هذه العمليات. ما يزال العلماء يعتمدون على تحويل الأسئلة البحثية يدويًا إلى مواصفات التدفقات، وهي مهمة تتطلب مزيجًا من المعرفة التخصصية وخبرة في البنية التحتية.

تقدم الدراسة الجديدة هيكلًا معماريًا يسمى "وكيل الذكاء الاصطناعي" كحل لهذه المشكلة. يتكون هذا الهيكل من ثلاثة طبقات رئيسية: 1. طبقة دلالية، حيث يقوم نموذج لغوي كبير (Large Language Model) بترجمة اللغة الطبيعية إلى نوايا منظمة. 2. طبقة حتمية، حيث تُنتج مولدات مُصادق عليها تدفقات عمل ذات جدولة مكررة (DAGs). 3. طبقة المعرفة، حيث يقوم الخبراء بتأليف "المهارات"، وهي مستندات تنسيق تحمل خرائط المصطلحات، قيود المعلمات، واستراتيجيات التحسين.

يتمثل الابتكار في هذا الهيكل في أنه يُقيد عدم الحتمية لنموذج اللغة إلى استخراج النوايا، مما يعني أن النوايا المتطابقة دائمًا ما تؤدي إلى تدفقات عمل متطابقة. تم تنفيذ وتقييم هذا الهيكل في نظام وراثي للأنظمة الجينية، حيث أظهرت نتائج الدراسة التحليلية أن استخدام المهارات جعل دقة مطابقة النوايا ترتفع من 44% إلى 83%. بالإضافة إلى ذلك، يقلل توليد التدفقات المدفوع بالمهارات من نقل البيانات بمعدل يصل إلى 92%. وأخيرًا، أظهر النظام القدرة على إتمام الاستعلامات في الإطار الزمني المحدد (أقل من 15 ثانية) بتكلفة فاقت 0.001 دولار لكل استعلام عندما يعمل على Kubernetes.

يسلط هذا الابتكار الضوء على الإمكانيات الكبيرة للذكاء الاصطناعي في تحسين كفاءة البحث العلمي وتقليل الاعتماد على الوظائف اليدوية، مما يفتح آفاقًا جديدة لتحسين الجودة والسرعة في إنتاج المعرفة.