في عصر يزداد فيه الاعتماد على الذكاء الاصطناعي في مجالات العمل المتنوعة، تبرز منصة WorkGenesis كأحد أبرز التطورات التي تُعيد تعريف كيفية تدريب وكالات الذكاء الاصطناعي (AI Agents) على إتمام المهام اليومية والمهنية.

تتمثل الرؤية خلف WorkGenesis في بناء سيناريوهات عمل واقعية، يتطلب إنشاءها تقنية متطورة. نظرًا لأن كتابة أعمال مهنية موثوقة تستنزف الكثير من الوقت والموارد، تقدم WorkGenesis حلًا مبتكرًا يجمع بين دقتين: إنشاء أعمال قائمة على الأدلة واستخدام التحقق من الاتساق.

1. **إنشاء العمل القائم على الأدلة (Evidence-Based Work Construction):** تعتمد هذه التقنية على استرداد الملفات العامة بإرشاد من المعرفة المهنية المتاحة عبر نظام O*NET، لتطوير وحدات العمل التي تستند إلى أدلة واقعية. يتم ذلك من خلال دمج السياق المحيط، والمواد المساعدة، ومتطلبات العمل، والمعايير التفصيلية.

2. **التحقق من الاتساق المدعوم بالتنفيذ (Execution-Guided Consistency Verification):** تتضمن هذه الخطوة إعداد تسليم مرجعي داخل العمل المُنشأ، حيث يُعزى كل عنصر غير مُرضٍ إلى الوكالة أو المهمة أو المعايير، وذلك لاستخدام العيوب كمدخلات لتحسين العمل حتى يجتاز المراجعة.

ظهرت النتائج التجريبية المذهلة عندما تم تدريب نموذج Fx-Work-35B باستخدام التعليم بالعم supervised fine-tuning (SFT) على 20,000 وحدة عمل مستندة إلى WorkGenesis، حيث حقق أعلى درجات مقارنة بالنماذج المعروفة، مُتجاوزًا حتى النماذج الرائدة مثل DeepSeek-V4-Pro-Preview.

في الختام، يُثبت WorkGenesis كيف يمكن للأدلة والاستراتيجيات المدروسة تحسين فعالية التدريب لوكالات الذكاء الاصطناعي، مُحدثًا تحولًا في كيفية اقتحام هذه الوكالات لعالم الأعمال. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!