CRMWeaver: Building Powerful Business Agent via Agentic RL and Shared Memories
يُعد CRMWeaver إطار عمل مبتكر لبناء وكلاء أعمال أقوياء يستفيد من توليد البيانات الاصطناعية والتعلم التعزيزي للتدريب، مقترناً بآلية ذاكرة مشتركة أثناء الاستدلال، للتعامل بفعالية مع مهام الأعمال المعقدة وغير المتجانسة وتحقيق أداء تنافسي في مجموعة بيانات CRMArena-Pro.
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 قمت للتو ببناء مساعد آلي ذكي للغاية ومبدع. يمكنه كتابة القصائد، وحل المسائل الرياضية، والدردشة كالبشر. ولكن الآن، تريد وضعه للعمل في مكتب حقيقي. فجأة، يصاب الروبوت بالارتباك؛ إذ يحدق في شبكة هائلة ومتشابكة من الجداول البيانات، وسجلات العملاء، وقواعد الشركة. هو لا يعرف أي ملف يفتح، أو كيف يربط بين تقرير المبيعات وسجل الشحن، أو كيف يجيب على سؤال يتطلب فحص ثلاث قواعد بيانات مختلفة في آن واحد. هذا هو تحدي "الوكلاء التجاريين" (Business Agents). وهي أنظمة ذكاء اصطناعي مصممة للقيام بعمل حقيقي، مثل الإجابة على أسئلة العملاء أو تحليل بيانات المبيعات، لكن العالم الحقيقي فوضوي، ومليء بالارتباطات المعقدة، ومتغير باستمرار.
ولمساعدة هؤلاء الوكلاء، يستخدم العلماء بعض الحيل الرئيسية. أولاً، يستخدمون "النماذج اللغوية الكبيرة" (LLMs)، وهي بمثابة عقول رقمية ضخمة تدربت على كل ما كتبه البشر تقريباً. هذه العقول بارعة في فهم اللغة ولكنها تحتاج إلى تدريب خاص للتعامل مع وظائف محددة. ثانياً، يستخدمون "التعلم التعزيزي" (Reinforcement Learning)، وهي طريقة يتعلم من خلالها الذكاء الاصطناعي عبر التجربة، حيث يحصل على "نقاط" عن التحركات الجيدة، ويفقد نقاطاً عن التحركات السيئة، تماماً مثل شخصية في لعبة فيديو ترتقي في المستوى. أخيراً، يقومون بتجربة "الذاكرة طويلة المدى"، عبر منح الذكاء الاصطناعي دفتراً لتدوين ما تعلمه من المهام السابقة حتى لا يضطر للبدء من الصفر في كل مرة. السؤال الكبير هو: هل يمكننا بناء وكيل تجاري ذكي بما يكفي للتعامل مع هذه الألغاز المكتبية الفوضوية في العالم الحقيقي دون الحاجة إلى حاسوب خارق بحجم منزل؟
إليك CRMWeaver، وهو نهج جديد من الباحثين في علي بابا وجامعة جنوب شرق آسيا يحاول حل هذه المشكلة بوصفة ذكية مكونة من ثلاثة أجزاء. فكر في CRMWeaver كخياط ماهر لا يعلم الروبوت كيفية الخياطة فحسب، بل يعلمه كيفية قراءة نمط معقد، والتدرب على قماش مزيف، ثم الاحتفاظ بـ "ورقة غش" للغرز الناجحة لاستخدامها مستقبلاً.
أولاً، أدرك الفريق أن تعليم الذكاء الاصطناعي التعامل مع البيانات التجارية المعقدة أمر صعب بسبب عدم وجود أمثلة كافية من العالم الحقيقي للتدرب عليها. لذا، قاموا بإنشاء مولد بيانات اصطناعية (Synthetic Data). تخيل مصمم ألعاب فيديو يبني مدينة وهمية بأشخاص وهميين ومشاكل وهمية فقط ليتدرب اللاعب عليها. استخدم الباحثون الذكاء الاصطناعي لتوليد الآلاف من الأسئلة والأجوبة التجارية المزيفة، والتي تتراوح من البسيطة مثل "ما هي مدة الضمان؟" إلى المعقدة للغاية التي تتطلب التنقل بين خمس جداول مختلفة من البيانات. منح هذا الذكاء الاصطناعي ساحة لعب ضخمة للتعلم منها.
بعد ذلك، استخدموا عملية تدريب على مرحلتين. في المرحلة الأولى، استخدموا "الضبط الدقيق الخاضع للإشراف" (SFT). هذا يشبه معلماً يوضح للطالب الطريقة الصحيحة لحل مشكلة خطوة بخطوة. شاهد الذكاء الاصطناعي أمثلة عالية الجودة لكيفية استخدام الأدوات (مثل SQL للاستعلام من قواعد البيانات) وكيفية التفكير في المشكلة. وفي المرحلة الثانية، تركوا الذكاء الاصطناعي ينطلق ليحل المشكلات بمفرده باستخدام التعلم التعزيزي. هنا، كان الذكاء الاصطناعي يحل المشكلات بنفسه؛ فإذا حصل على الإجابة الصحيحة، يحصل على مكافأة، وإذا أخطأ، يتعلم من خطئه. استخدموا طريقة خاصة وفعالة تسمى DAPO للتأكد من أن الذكاء الاصطناعي يتعلم بسرعة ولا يقع في عادات سيئة. ساعد هذا الذكاء الاصطناعي على التعميم، مما يعني أنه يمكنه التعامل مع مشكلات جديدة لم يتدرب عليها خصيصاً.
أخيراً، ولعل الأهم، منحوا الوكيل نظام ذاكرة مشتركة (Shared Memory). في مكتب حقيقي، إذا حللت مشكلة صعبة اليوم، فقد تكتبها في دفتر مشترك ليتمكن زملاؤك من استخدام الحل غداً. يقوم CRMWeaver بذلك رقمياً. عندما يواجه الذكاء الاصطناعي سؤالاً جديداً، فإنه يتحقق من "بنك الذاكرة" الخاص به ليرى ما إذا كان قد حل شيئاً مشابهاً من قبل. إذا وجد تطابقاً، فإنه يستخرج "الإرشادات" أو "الوصفة" لكيفية حل تلك المشكلة ويستخدمها للمساعدة في الإجابة على السؤال الجديد. يتيح ذلك للوكيل التعلم من نجاحاته السابقة ومن نجاحات النماذج الأقوى، مما يجعله أفضل بكثير في التعامل مع المهام التي لم يسبق له رؤيتها.
اختبر الباحثون ابتكارهم على اختبار مرجعي صعب يسمى CRMArena-Pro، والذي يحاكي بيئة عمل حقيقية بـ 25 نوعاً مختلفاً من كائنات البيانات و19 نوعاً مختلفاً من المهام، بدءاً من التحقق من الامتثال للسياسات وصولاً إلى إجراء استعلامات بيانات معقدة. وضعوا نموذجهم خفيف الوزن (المبني على نموذج Qwen3-4B بـ 4 مليارات معلمة) في مواجهة أكبر وأقوى نماذج الذكاء الاصطناعي في العالم، بما في ذلك GPT-4o وGemini 2.5-Pro ونموذج ضخم يضم 235 مليار معلمة.
كانت النتائج مبهرة. فعلى الرغم من كونه أصغر بكثير وأرخص في التشغيل، حقق وكيل CRMWeaver درجات تنافسية، بل وتفوقت في بعض الحالات، على هذه النماذج العملاقة. في فئة الأعمال بين الشركات (B2B)، سجل متوسط 55.6، وفي فئة الأعمال بين الشركات والمستهلكين (B2C)، سجل 57.1. وقد تألق بشكل خاص في مهام قواعد البيانات، حيث سجل 73.0 في B2B و 72.8 في B2C، متفوقاً على جميع النماذج الأخرى التي تم اختبارها تقريباً. وأظهرت دراسات الاستئصال (حيث قاموا بإزالة أجزاء من النظام لمعرفة ما سيحدث) أن كل قطعة كانت مهمة: فإزالة الذاكرة، أو التعلم التعزيزي، أو التدريب الأولي، كلها أدت إلى انخفاض الدرجات بشكل كبير.
ومع ذلك، يوضح المؤلفون بحذر حدود عملهم. فهم يقرون بأن نظامهم يتعامل حالياً بشكل جيد مع استعلامات المستخدم الواحد، ولكنه لم يتقن تماماً المحادثات المعقدة متعددة الأدوار حيث يتبادل الإنسان والذكاء الاصطنا_ي الحديث لفترة طويلة. كما ذكروا أن تدريب هؤلاء الوكلاء لا يزال مكلفاً حوسبياً ويتطلب أجهزة قوية، مما يحدهم من استخدام النماذج الصغيرة في الوقت الحالي. ولكن بشكل عام، يشير CRMWeaver إلى أنه من خلال الجمع بين توليد البيانات الذكي، والتدريب الصارم، ونظام الذاكرة المشتركة، يمكننا بناء وكلاء تجاريين أقوياء وعمليين لا يحتاجون لأن يكون حجمهم بحجم سوبر كمبيوتر لإنجاز المهمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.