في عالم تطور الذكاء الاصطناعي، تتزايد الأهمية المتزايدة لتحديد أسباب فشل الأنظمة ذات الذكاء الأصلي. الأمر الذي دفع باحثين إلى تطوير تقنية مبتكرة تُعرف بـ "Who&When Pro"، وهي معيار جديد يهدف إلى تحسين آلية تحديد سبب فشل الأنظمة الذاتية (agentic systems) باستخدام نماذج لغوية ضخمة (Large Language Models).

وفي دراسة نشرت على منصة arXiv، أشار الباحثون إلى أن الأنظمة الذكية أصبحت أكثر تعقيدًا، ما يجعل من الصعب تمييز الفشل وأسبابه. من هنا، بدأت فكرة استخدام نماذج لغوية ضخمة تساهم في تحديد العوامل التي تؤدي إلى فشل هذه الأنظمة. تم تطوير نظام يتضمن تفاعلًا محكمًا يقوم بإدخال الفشل بعد إعادة تشغيل سيناريو ناجح بدقة.

قد تم تصميم 12,326 مسارًا فاشلًا مع تسميات ذهبية عبر ثلاثة أوضاع و26 معيارًا تشمل سيناريوهات متنوعة. كما تم إجراء تجارب شاملة وأساليب تحليلية لكشف الأنماط النظامية في كيفية نسب الفشل عبر الأوضاع والبروتوكولات وعائلات النماذج المختلفة.

إنّ هذه التقنية لا تمثل مجرد معيار للتقييم، بل تسهم أيضًا في توجيه بحوث مستقبليّة بشأن أنظمة تحديد الفشل الآلي. باستخدام هذه الأنظمة، يمكن تحسين دقة الفهم وانتقاء الأنماط، مما يؤدي إلى تحسين أنظمة الذكاء الاصطناعي في المستقبل.

ما رأيكم في هذا التطور؟ هل ترون أن هذه التقنية ستغير من طريقة تعاملنا مع أنظمة الذكاء الاصطناعي؟ شاركونا في التعليقات.