في عالم الذكاء الاصطناعي الحديث، يعتمد وكلاء نماذج اللغات الضخمة (Large Language Models) بشكل متزايد على المهارات القابلة لإعادة الاستخدام. ومع تزايد مكتبات المهارات إلى آلاف الإدخالات، تصبح فعالية استرجاع المهارات تحدياً أساسياً. هنا يأتي دور نموذج “Graph-of-Skills” (GoS) الذي يقدم هيكلية تعتمد على الرسوم البيانية لتحسين عملية الاسترجاع، في حين أن “SkillDAG” يوضح كيفية تكوّن هياكل المهارات بناءً على تنفيذها في الوقت الحقيقي.

ومع ذلك، فإن هذه المقاربات تظل مفتوحة على سؤالٍ مهم: هل يمكن تنسيق آثار التنفيذ التاريخية في رسم بياني أكثر فعالية لاسترجاع المهارات يتكيف مع المهام غير المرئية؟

هنا، نقدم نموذج “Self-Evolving Graph-of-Skills” (SE-GoS)، وهو إطار عمل لا يتطلب تدريباً، يقوم بتطوير الرسم البياني القائم من خلال آثار التنفيذ مع الحفاظ على بنية الاسترجاع الأصلية. يقوم SE-GoS بإجراء ثلاثة تحديثات تكميلية:
1. **تطور الهيكلية**: يكتشف ويحذف العلاقات بين المهارات اعتماداً على الأدلة التنفيذية.
2. **تطور وزن الحواف**: يعزز العلاقات ذات الصلة بالاسترجاع بناءً على الفعالية التاريخية.
3. **تطور الوصف**: يحسن أوصاف المهارات المستخدمة في الاسترجاع عبر ملاحظات الأداء.

عبر ثلاثة نماذج من نماذج اللغات الضخمة على منصة SkillsBench، حقق SE-GoS تحسناً ملحوظاً في مكافآت المهام بينما قلل من عدد رموز الإدخال بالنسبة للتحميل الكامل للمهارات. في حالة تمثيلية، أدى جولة تطور واحدة إلى تحسين المكافأة من 52.4% إلى 59.4% مع تقليص رموز الإدخال بنحو الثلث. والأهم أنه تم انتقال الرسم البياني الناتج إلى تقسيم منفصل محتفظ به مع تحسين قدره 5.4 نقطة مقارنة بالرسم البياني الثابت لـ GoS.

تشير هذه النتائج إلى أن الرسوم البيانية للمهارات يمكن تحسينها من خلال التجربة التنفيذية دون الحاجة لتدريب النماذج أو تعديل خوارزمية الاسترجاع أو المحتوى الخاص بالمهارات. لذا، أصبح لدينا الآن بنية تحتية ديناميكية لاستخراج المهارات بدلاً من الاعتماد على رسم بياني ثابت.

كيف ترى تأثير SE-GoS على مستقبل استرجاع المهارات في الذكاء الاصطناعي؟ شاركنا برأيك في التعليقات!