في عصر الذكاء الاصطناعي، حيث تلعب الوكلاء المدعومين بنماذج اللغات الضخمة (Large Language Models) دوراً متزايد الأهمية، يظهر نظام Semia كحل مبتكر لتدقيق مهارات هؤلاء الوكلاء. لكن ما هي "مهارات الوكلاء"؟ إنها حزم تكوين مزودة إمكانيات ملموسة، مثل قراءة البريد الإلكتروني أو تنفيذ أوامر النظام أو حتى توقيع معاملات البلوكشين.

تتميز المهارات بأنها تتكون من جانبين: جانب هيكلي يحدد الواجهات القابلة للتنفيذ، وجانب نصي يوجه متى وكيف يتم استخدام هذه الواجهات. بينما تتجاهل الأنظمة التقليدية تحليل الجانب النصي، تستطيع أدوات الذكاء الاصطناعي قراءة هذه الأجزاء، لكنها تعجز عن إثبات أن المدخلات المشبوهة تصل إلى نقاط حساسة بشكل موثوق.

تقوم Semia بتحويل كل مهارة إلى ما يعرف بلغة وصف المهارات (Skill Description Language) – قاعدة بيانات قائمة على داتالوغ (Datalog) تلتقط الأفعال التي تحفز بواسطة نماذج اللغات، والشروط المعرفة نصياً، ونقاط التحقق البشرية.

لكن التحدي الرئيسي يكمن في تحقيق توازن بين الهيكلية المستدامة والوفاء الدلالي للنص الأصلي. وللتغلب على ذلك، تطبق Semia طريقة تمثيل موجهة بواسطة قيود (Constraint-Guided Representation Synthesis)، وهي حلقة تتضمن الاقتراح، التحقق، والتقييم لضمان الجودة.

بعد تقييم Semia على 13,728 مهارة حقيقية من الأسواق العامة، تبين أن جميعها قابلة للتدقيق، حيث تحمل أكثر من نصف هذه المهارات على الأقل خطرّاً دلالياً حرجاً. ومن بين نظام اختبار مؤلف من 541 مهارة مصنفة من قبل خبراء، حققت Semia دقة تصل إلى 97.7% مع معدل F1 يبلغ 90.6%، مما يجعلها تتفوق بشكل ملحوظ على الماسحات الضوئية المعتمدة على التوقيعات ونماذج اللغات السابقة.

هل أنتم مستعدون لاستكشاف كيف يمكن أن تغير Semia طريقة تدقيق مهارات الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!