في عالم الذكاء الاصطناعي، تتطور الوكلاء (Agents) بشكل مستمر، وأحد التطورات البارزة هو نظام المهارات. هذه المهارات، التي تتكون من حزم منظمة من التعليمات والنصوص، تلعب دورًا حاسمًا في تعزيز نماذج اللغة الكبيرة (Large Language Models) دون الحاجة إلى تعديل النموذج نفسه. لكن، كيف ندير مسألة الثقة في هذه المهارات؟

في واقع الأمر، يواجه زمن التشغيل (Runtime) تحديات مشابهة لتلك التي تواجهها مدراء الحزم (Package Managers) وأنظمة التشغيل (Operating Systems)، حيث يجب عليهم تحديد موثوقية المحتوى الذي يدعي سلوك معين.

تقدم الورقة البحثية مفهومًا جديدًا للثقة، حيث تُعتبر المهارات “رموز غير موثوقة” حتى يتم التحقق منها. وبالتالي، يجب على نظام التشغيل أن يلتزم بهذا المبدأ بدلاً من الاعتماد على الشهرة أو السجلات المعتادة.

بدون التحقق من المهارات، يصبح من المستحيل استدامة العمل البشري في دائرة التحكم، مما يؤدي إلى آلية سطحية لا تتعامل مع الأبعاد المعقدة. ومع إدخال عملية تحقق منفصلة، يُمكن نقل عبء العمل الإضافي بعيدًا عن العمليات الثابتة، وتصبح الأنظمة أكثر استدامة.

تقدم هذه الورقة معايير دقيقة للثقة تشمل مستوى تحقق واضح لكل مهارة، وبوابة واضحة للقدرات تعتمد على المستوى المحدد من التحقق، بالإضافة إلى معايير تحقق ثنائية الاتجاه.

الأهم من ذلك، أن هذه المساهمات محتوى غير مرتبط بنموذج محدد، مما يعني عدم الحاجة لإعادة تدريب أو تعديل كبير، وبالتالي تُراعي المرونة والانفتاح في دمج مهارات جديدة.

في النهاية، يبقى سؤال جدير بالتفكير: كيف ستؤثر هذه المعايير الجديدة على تطوير أنظمة الذكاء الاصطناعي المستقبلية؟ شاركونا آراءكم في التعليقات.