Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems
تقترح هذه الورقة إطار عمل متعدد الوكلاء يعتمد على النماذج اللغوية الكبيرة وقابل للتوسع، يعمل على تعزيز فهم المستندات في المجالات المعقدة من خلال دمج التوجيه الديناميكي للمهام، والتغذية الراجعة ثنائية الاتجاه، والمنافسة المتوازية بين الوكلاء للتغلب على قيود سير العمل الثابت.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول حل لغز صعب للغاية ورفيع المستوى، مثل معرفة ما تخفيه شركة ضخمة بالضبط في تقاريرها المالية.
في الماضي، حاولنا حل هذا باستخدام خبير واحد أو خط تجميع جامد.
- الخبير الواحد: توظف محامياً عبقرياً واحداً ليقرأ المستند بأكل. إذا تعب، أو ارتبك، أو فاتته تفصيلة صغيرة، ستكون الإجابة بأكملها خاطئة.
- خط التجميع: لديك فريق حيث يقرأ الشخص (أ) الصفحة الأولى، ثم يمررها للشخص (ب)، الذي يمررها للشخص (ج). إذا ارتكب الشخص (أ) خطأً، سيستمر الشخص (ب) و(ج) في العمل بناءً على ذلك الخطأ، ولا يمكنهما التوقف للقول: "مهلاً لحظة، هذا لا يبدو منطقياً!"
تقدم الورقة البحثية التي شاركتَها طريقة جديدة للقيام بذلك تسمى "التوازي يلتقي بالتكيف" (Parallelism Meets Adaptiveness). فكر في الأمر كترقية من خط تجميع جامد إلى جلسة عصف ذهني ديناميكية وتنافسية.
إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:
١. "اختبار التذوق" (تقييم الوكلاء المتوازيين)
تخيل أنك طاهٍ يحاول إعداد حساء مثالي، لكنك لست متأكداً مما إذا كان يجب عليك إضافة المزيد من الملح أو الفلفل.
- الطريقة القديمة: تسأل طاهياً واحداً ليخمن. يضيف الملح. تقدم الحساء. تجده مالحاً جداً.
- الطريقة الجديدة: تطلب من ثلاثة طهاة مختلفين صنع الحساء في نفس الوقت.
- الطاهي (أ) يضيف الملح.
- الطاهي (ب) يضيف الفلفل.
- الطاهي (ج) يضيف كليهما.
- بعد ذلك، يأتي متذوق خبير (المُقيّم)، يتذوق الثلاثة ويختار الأفضل بينهم. وإذا لم يكن المتذوق الخبير متأكداً، يمكنه حتى أن يطلب من الطهاة شرح سبب اختيارهم لتلك المكونات.
في الورقة البحثية، عندما يواجه الكمبيوتر جزءاً مربكاً من مستند مالي (مثل جملة قانونية معقدة)، فإنه لا يكتفي بسؤال وكيل ذكاء اصطناعي واحد للإجابة. بل يطلب من عدة وكلاء الإجابة بشكل مستقل. ثم يقوم "حكم" مركزي باختيار الإجابة الأكثر دقة. هذا يمنع الذكاء الاصطناعي من "الهلوسة" (اختلاق أشياء غير حقيقية) لأنه إذا خمن أحد الوكلاء بشكل خاطئ، فقد يصيب الآخرون في تخمينهم، وسيكتشف الحكم ذلك.
٢. "مراقب حركة المرور" (التوجيه الديناميكي للمهام)
تخيل مطاراً مزدحماً.
- الطريقة القديمة: يتم تخصيص بوابة محددة لكل طائرة للأبد. حتى لو كانت البوابة رقم ١ معطلة والبوابة رقم ٢ فارغة، تظل الطائرة عالقة عند البوابة رقم ١.
- الطريقة الجديدة: لديك مراقب حركة مرور ذكي. إذا كانت الطائرة (المهمة) ثقيلة جداً أو معقدة بالنسبة للطيار في البوابة رقم ١، يقول المراقب فوراً: "مهلاً، الطيار في البوابة رقم ٢ خبير في الشحن الثقيل؛ لنرسلها إلى هناك!"
في هذا النظام، لا يظل وكلاء الذكاء الاصطناعي عالقين في أدوار ثابتة. إذا كان أحد الوكلاء يعاني مع مسألة رياضية في تقرير ما، يمكنه القول: "أنا لست جيداً في هذا، دعونا نسأل خبير الرياضيات". وإذا كان الوكيل مثقلاً بالأعباء، يمكنه نقل العمل إلى صديق متاح. هذا يجعل الفريق أسرع وأذكى بكثير.
٣. "جهاز اللاسلكي ثنائي الاتجاه" (التغذية الراجعة ثنائية الاتجاه)
تخيل بناء منزل.
- الطريقة القديمة: ينتهي السباك من تركيب الأنابيب، ثم يأتي الكهربائي ويضع الأسلاك بجانب الأنابيب مباشرة، دون معرفة بوجود الأنابيب. والسباك لا يعرف بوجود الأسلاك حتى ينتهي المنزل وتوضع الجدران.
- الط طريقة الجديدة: يمتلك السباك والكهربائي أجهزة لاسلكي. إذا رأى الكهربائي أن هناك أنبوباً في الطريق، يرسل لاسلكياً إلى السباك: "مهلاً، حرك هذا الأنبوب!" يمكن للسباك إصلاح الأمر فوراً قبل وضع الجدران.
في نظام الذكاء الاصطناعي هذا، إذا وجد وكيل لاحق (مثل الوكيل المسؤول عن فحص الأخطاء) خطأً ارتكبه وكيل سابق، يمكنه إرسال رسالة فورية لإصلاحه. ليس عليهم الانتظار حتى النهاية تماماً لإدراك أن التقرير بأكمله خاطئ.
الاختبار الواقعي: "تقرير SEC 10-K"
اختبر المؤلفون هذا على إيداعات SEC 10-K. وهي تقارير سنوية ضخمة، مملة، ومعقدة للغاية، يجب على الشركات العامة في الولايات المتحدة تقديمها. وهي مليئة بالمصطلحات القانونية والأرقام.
- الهدف: التأكد من أن الذكاء الاصطناي يحدد المخاطر والديون والقواعد بشكل صحيح دون اختلاق أشياء.
- النتيجة:
- كان النظام الجديد أكثر دقة بنسبة 27% في اتباع القواعد.
- سجل أخطاءً أقل بنسبة 74% كانت تتطلب إصلاحاً لاحقاً.
- كان أفضل بكثير في رصد المخاطر "المخفية" التي فاتتها الأنظمة القدسة الجامدة.
الخلاصة الكبرى
تجادل الورقة البحثية بأنه في المواقف عالية المخاطر (مثل المال أو القانون أو الطب)، لا ينبغي لك الاعتماد على ذكاء اصطناعي واحد أو عملية خطية مستقيمة. بد instead، يجب عليك إنشاء فريق من أجهزة الذكاء الاصطناعي التي تتنافس، وتتحدث مع بعضها البعض، وتتحقق باستمرار من عملها الخاص.
إنه الفرق بين طلب كتابة رواية من شخص واحد بمفرده، وبين وجود فريق من الكتاب والمحررين ومدققي الحقائق الذين يعملون معاً، ويتجادلون، وينقحون القصة حتى تصبح مثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.