في عالم متسارع حيث تواجه أنظمة الذكاء الاصطناعي تحديات كبيرة، تبدو عملية التخطيط متعدد القيود (Multi-constraint Planning) بمثابة معضلة تتطلب التعامل مع متطلبات معقدة ومتعارضة. ومع أن النماذج اللغوية الكبيرة (Large Language Models) قد أثبتت فعاليتها في مجالات متعددة، إلا أنها تعاني من قيود جوهرية عند مواجهة حالات التخطيط المعقدة.

تتجلى هذه القيود في ضعف الدقة والتزايد الخاطئ في التكلفة والوقت عند استخدام الأنماط المنطقية فقط، حيث تعتمد هذه الطرق على سلاسل طويلة من اللغة الطبيعية. في المقابل، للأساليب التي تدمج نماذج الذكاء الاصطناعي مع استراتيجيات البرمجة أو الحلول، تبرز مشكلات أخرى تتعلق بالمرونة، حيث أنها غالبًا ما تنتج شفرات برمجية محددة للمشكلات أو تعتمد على حلول ثابتة، مما يحرمنا من القدرة على استنتاج منطق قابلة للتعميم عبر مشاكل متنوعة.

لذا، نحن هنا اليوم مع PhD DerrickGXD، الذي قدم لنا محرك التخطيط القابل للتوسع (Scalable COde Planning Engine - SCOPE). يقوم هذا الإطار بفصل التفكير الخاص بالاستفسارات عن تنفيذ الأكواد، مما يحقق إنتاج دوال الحلول بدقة كبيرة وبتكرار استثنائي.

مع SCOPE، نجد أن طريقة التشغيل تتركز على جعل الوظائف قابلة للاستخدام مرة أخرى عبر استفسارات مختلفة، مما يسمح بتحقيق الأداء من الدرجة الأولى. على سبيل المثال، بفضل شراكة SCOPE مع GPT-4o، تم الوصول إلى نسبة نجاح تصل إلى 93.1% في مشروع TravelPlanner، مما يمثل زيادة قدرها 61.6% مقارنة بأفضل مدار آخر، مع تقليل التكلفة بمقدار 1.4 مرة والوقت بنحو 4.67 مرة.

للمزيد من التفاصيل يمكنكم زيارة صفحة المشروع على GitHub: محرك SCOPE. ما رأيكم في هذا الابتكار؟ هل تعتقدون أن هذه التكنولوجيا ستسهم في حل العقبات المعقدة في الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات!