M$^3$Prune: Hierarchical Communication Graph Pruning for Efficient Multi-Modal Multi-Agent Retrieval-Augmented Generation

تخيل عالماً لا تكتفي فيه الحواسيب بقراءة الكتب أو النظر إلى الصور، بل "تتحدث" فعلياً مع بعضها البعض لحل المشكلات. هذا هو الركن المثير من العلم المعروف باسم الأنظمة متعددة الوكلاء (multi-agent systems). فكر في الأمر كأنه مجموعة دراسية حيث يمتلك كل طالب فيها قوة خارقة: أحدهم ساحر في القراءة، والآخر فنان بصري، والثالث عبقري في المنطق. وبدلاً من محاولة طالب واحد القيام بكل شيء بمفرده، يقومون بتبادل الملاحظات فيما بينهم، ويدمجون مهاراتهم للإجابة على الأسئلة الصعبة. هذا النهج، المسمى "التوليد المعزز بالاسترجاع" (RAG)، يسمح لهؤلاء الطلاب من الذكاء الاصطناعي باستقاء المعلومات من مصادر خارجية لمساعدتهم على التفكير بشكل أفضل. وعندما تمزج النصوص والصور في هذا المزيج، يسمى ذلك "RAG متعدد الوسائط" (multi-modal RAG). والأمر الجوهري هنا هو أنه بينما يعد نهج الفريق هذا ذكياً للغاية، إلا أنه "ثرثار" جداً أيضاً. ففي كل مرة يتبادل فيها الطلاب ملاحظة، يكلف ذلك مالاً ووقتاً في العالم الرقمي. وإذا أصبح الفريق كبيراً جداً أو تحدث كثيراً، يصبح النظام بأكمله مكلفاً وبطيئاً جداً للاستخدام في المهام الواقعية.

هنا يأتي دور M$^3$Pruse، وهو إطار عمل جديد مصمم لتعليم فرق الذكاء الاصطناو هذه كيف تكون مستمعة أفضل ومتحدثة أكثر كفاءة. فقد لاحظ الباحثون وراء هذه الورقة البحثية أنه بينما يعد امتلاك العديد من الوكلاء الذين يتواصلون أمراً قوياً، فإن الأنظمة الحالية تشبه حفلة مزدحمة حيث يصرخ الجميع في وقت واحد. هناك الكثير من "العبء الإضافي للرموز" (token overhead) — وهي طريقة منمقة للقول بأن النظام يهدر المساحة الرقمية في ثرثرة غير ضرورية. ولإصلاح ذلك، يقترح المؤلفون طريقة لـ "التقليم" (prune)، أو قص الروابط الزائدة في شبكة الاتصال.

إليك كيف يعمل M$^3$Prune، باستخدام تشبيه تنظيم مشروع صفي فوضوي. أولاً، ينظر النظام إلى طلاب "النصوص" وطلاب "الصور" بشكل منفصل. إنه يعمل كمعلم صارم يقول: "توقفوا عن تبادل الملاحظات حول أشياء لا تهم. احتفظوا فقط بالملاحظات الضرورية جداً لحل المشكلة". وهذا ما يسمى تخفيف كثافة الرسم البياني داخل النوع الواحد (intra-modal graph sparsification). فهو يقطع الضجيج داخل كل مجموعة.

بعد ذلك، ينظر النظام إلى كيفية تواصل مجموعة النصوص ومجموعة الصور مع بعضهما البعض. وبدلاً من ترك كل طالب نصي يصرخ في وجه كل طالب صوري، يبني النظام طوبولوجيا اتصالات ديناميكية (dynamic communication topology). تخيل رسم خريطة للفصل الدراسي والاحتفاظ فقط بالممرات التي تربط الطلاب الذين يحتاجون فعلياً للتعاون. هذه هي تخفيف كثافة الرسم البياني بين الأنواع (inter-modal graph sparsification). أخيراً، يذهب النظام خطوة أبعد، حيث يقوم بتقليم المزيد من الحواف تدريجياً لإنشاء هيكل هرمي (hierarchical). فكر في هذا كتحويل شبكة فوضوية من الاتصالات إلى سلسلة قيادة واضحة وفعالة تتدفق فيها المعلومات بسلاسة دون سد الأنابيب.

تشير الورقة البحثية إلى أن هذه الطريقة تخلق نقطة مثالية: يظل فريق الذكاء الاصطناعي ذكياً وقادراً تماماً مثل النسخ الصاخبة والمكلفة، لكنه يستخدم عدداً أقل بكثير من الرموز (الكلمات والبيانات الرقمية) لإنجاز المهمة. وفي اختباراتهم على مختلف المعايلات، وجد المؤلفون أن M$^3$Prune تفوق باستمرار على كل من الأنظمة أحادية الوكيل وأنظمة الوكلاء المتعددة القوية الأخرى. والنتيجة هي نظام ليس فقط أسرع وأرخص في التشغيل، بل يحافظ أيضاً على أداء عالٍ، مما يثبت أن قول القليل أحياناً يساعدك على الفهم أكثر.