في عالم الذكاء الاصطناعي، يلعب تحسين الأداء دورًا حاسمًا، حيث تتزايد جهود تطوير عوامل الذكاء الاصطناعي الذاتية التحسين (Self-Improving Agents) بشكل مضطرد. وفي هذا السياق، تظهر تقنية جديدة تُعرف باسم SkillGLoW (Global-Local Weave) كأداة محورية لإعادة هيكلة كيفية تعلم الآلات من تجاربها.

تقوم SkillGLoW بتقديم نموذج جديد لتوحيد المهارات، حيث تهدف لتجاوز القيود الحالية لمنصات التعلم الآلي التي تعتمد إما على مستندات شاملة أو تجمعات بيانات عشوائية. فبينما تتجمع المهارات الموجودة ضمن مستندات ضخمة، غالباً ما تفقد التفاصيل الهامة المتعلقة بالمهام، مما يؤدي إلى تقليل فعاليتها. ومن ناحية أخرى، فإن التجمعات المعلوماتية تزداد حجمًا ولكن تظل عالقة بالمهام التي أنشأتها.

لكن مع SkillGLoW، تنشأ عائلات الإجراءات التي تتعلق بمجموعة من المهام ذات الصلة، مما يساهم في تحسين الكفاءة. يتم تجميع المهارات المحلية التي تكتبها كل مهمة أثناء تنفيذها في عائلات إجراءات مُعالجة، وبالتالي يتم تقليص حجم البيانات المُخزنة إلى إجراءات عامة مختصرة. ومن المثير للاهتمام أن المكتبة المختارة تعتمد فقط على الإجراءات التي أثبتت نجاحها أثناء التنفيذ، مما يضمن تخفيض حجم البيانات مع الحفاظ على الجودة.

عبر أربعة تجارب مرجعية متعلقة بحل المشكلات الرياضية، وأتمتة العمليات، وإصلاح البرمجيات، وكذلك التحكم المجسد، أظهرت نماذج SkillGLoW تحسناً ملحوظاً متجاوزة متوسط الزيادة بـ 17.2 نقطة على نظام بلا مهارات. والنتائج أشارت إلى اكتساب 18.0 نقطة مع التجديد المحلي.

تعد هذه النتائج مثالا يؤكد أن ما يُنقل ويُستخدم هو الإجراء بحد ذاته بدلاً من الذاكرة المرتبطة بالمهام، مما يقدم رؤى جديدة حول كيفية تعزيز فعالية الذكاء الاصطناعي في المستقبل.