تعد أنظمة الوكلاء المتعددة المبنية على نماذج اللغة الكبيرة (LLMs) واحدة من التطورات البارزة في مجال الذكاء الاصطناعي، ولكن تبقى مواجهة التحديات المرتبطة بالتنسيق تحت ظروف عدم اليقين واحدة من أكبر العقبات. في هذا السياق، تتجلى الصعوبة الأساسية في أن الاستراتيجيات الحالية غالبًا ما تعتمد على أنماط تفاعل ثابتة، مما يؤدي إلى تفشي الأخطاء والأوهام في العمليات.

قدمت ورقة بحثية جديدة نموذجًا مبتكرًا يُعرف باسم HASSUM، وهو إطار توجيه يعتمد على عدم اليقين السيميائي. يقوم هذا النموذج بتقدير عدم اليقين باستخدام مقاييس مثل الإنتروبيا السيميائية (semantic entropy) والكثافة السيميائية (semantic density)، والتي تقيس الثقة بناءً على معنى الإجابة بدلاً من احتمالات النتيجة نفسها.

هذه المقاييس تعزز من القدرة على اتخاذ قرارات تنسيق مرنة، بما في ذلك التحقق من النتائج، وإعادة المطالبة الانتقائية، والتفكير الإضافي، واختيار الاستجابات بناءً على الثقة. والأكثر أهمية، أن هذه المنهجية تعمل بشكل مستقل عن أي هيكل عميل محدد، مما يجعلها قابلة للتطبيق على مجموعة واسعة من أنظمة الوكلاء المنهجيين والمتعاونة.

وقد أظهرت التقييمات نجاح النموذج عند تطبيقه على أطر عمل وكيل هرمية، وقياس أداءه عبر مؤشرات استراتيجية مثل StrategyQA وJailbreakBench وTruthfulQA. تؤكد النتائج أن التنسيق المدعوم بعدم اليقين ينتج نتائج أكثر موثوقية في المهام التي تتطلب Reasoning (التفكير المنطقي) المعقد حيث تتعرض للاوهام أو الغموض.

بصفة عامة، تشير التجارب إلى أن استخدام إشارات عدم اليقين السيميائي يمثل أسلوبًا عمليًا ومناسبًا لتعزيز القدرة على التحمل والثقة في أنظمة الذكاء الاصطناعي الوكيلية.