AgentCo-op: Retrieval-Based Synthesis of Interoperable Multi-Agent Workflows
تُعد AgentCo-op إطار عمل قائمًا على الاسترجاع يعمل على تخليق سير عمل متعدد الوكلاء قابل للتشغيل البيني من خلال تركيب أدوات ووكلاء قابلين لإعادة الاستخدام عبر تسليم مخرجات نمطية وإصلاح ذاتي محلي، مما يُمكّن من الاكتشاف التعاوني الفعال في المجالات العلمية مفتوحة النهايات مع التفوق على النماذج المرجعية في مختلف الاختبارات المعيارية بتكاليف مخفضة.
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 بناء آلة معقدة، مثل صانعة قهوة عالية التقنية تقوم أيضًا بفرز بريدك وتدوين يومياتك. في الماضي، لجعل هذا الأمر ممكنًا باستخدام الذكاء الاصطناعي، كان الباحثون يحاولون "البحث" عن التصميم المثالي. كانوا يولدون الآلاف من المخططات المختلفة، ويختبرونها، ويأملون أن ينجح أحدها. لكن هذا يشبه محاولة العثور على إبرة معينة في كومة قش عن طريق بناء مصنع إبر جديد في كل مرة تبحث فيها. إنه أمر بطيء، ومكلف، وغالبًا ما يفشل عندما يكون المهم شيئًا جديدًا وفوضويًا، مثل العلوم في العالم الحقيقي، حيث لا يوجد "مفتاح إجابة صحيح" لتقييم العمل.
AGENTCO-OP هي طريقة جديدة لبناء هذه الفرق من الذكاء الاصطناعي. فبدلاً من البحث عن تصميم جديد من الصفر، تعمل كأنها مقاول رئيسي يدخل إلى مستودع مليء بالأدوات والعمال المتخصصين والمبنيين مسبقًا، ويختار الأنسب منهم، ثم يربطهم معًا لتكوين آلة تعمل.
إليك كيف يعمل ذلك، باستخدام تشبيهات بسيطة:
1. "المستودع" مقابل "البحث"
تحاول معظم أنظمة الذكاء الاصطناعي الحالية البحث عن أفضل سير عمل. تخيل أنك تحاول خبز كعكة عن طريق خلط المكونات عشوائيًا وتذوقها حتى تصل إلى النتيجة الصحيحة.
يستخدم AGENTCO-OP تقنية الاسترجاع. تخيل أنك طاهٍ يحتاج إلى خبز كعكة. بدلاً من ابتكار وصفات جديدة، تذهب إلى مستودع منظم جيدًا (مكتبة من المهارات والأدوات). أنت تأخذ "مهارة خلط" جاهزة، و"أداة خبز"، و"عنصر تزيين". أنت لا تعيد اختراع العجلة؛ بل تقوم فقط بتجميع الأجزاء التي تحتاجها.
2. "التسليم المكتوب" (الطرود الآمنة)
عندما تمرر ملاحظة إلى صديق، قد تكتبها على منديل ورقي. إذا احتاج الشخص التالي إلى نموذج محدد، فقد يضيع المنديل أو يُفهم بشكل خاطئ.
في AGENTCO-OP، في كل مرة يمرر فيها وكيل ذكاء اصطناعي نتيجة إلى وكيل آخر، فإنه يضع البيانات في صندوق مصنف بدقة وآمن (يسمى "أثر مُحدد النوع").
- مثال: إذا وجد الوكيل (أ) قائمة بالجينات، فإنه لا يكتفي بالصراخ بالقائمة إلى الوكيل (ب). بل يضع القائمة في صندوق مكتوب عليه "قائمة جينات: 53 عنصرًا، تم التحقق منها". يفتح الوكيل (ب) الصندوق، ويتحقق من الملصق، ويعرف بالضبط ما يجب فعله. هذا يمنع الوكلاء من التحدث دون فهم بعضهم البعض أو الارتباك بسبب البيانات الفوضوية.
3. "الإصلاح المحلي" (الإصلاح السريع)
أحيانًا، حتى مع وجود أفضل خطة، قد تتعطل الآلة.
- الطريقة القديمة: إذا تعطل جزء ما، يتوقف المصنع بأكمله، ويعود المهندسون إلى لوحة الرسم لتصميم آلة جديدة تمامًا من الصفر.
- طريقة AGENTCO-OP: إذا فشل جزء معين، ينظر "المراجع" (مشرف ذكي) إلى الخطأ ويقوم بإجراء إصلاح محلي. الأمر يشبه الميكانيكي الذي يرى برغيًا مرتخيًا في المحرك فيقوم بشد ذلك البرغي تحديدًا، بدلاً من إعادة بناء السيارة بأكملها. يقوم النظام بإصلاح الجزء المعطل فقط ويستمر في العمل.
4. "دوكر - Docker" (المحول العالمي)
غالبًا ما يكون لدى العلماء أدواتهم الخاصة المبنية في بيئات مختلفة (مثل أداة تعمل على نظام Mac، وأخرى تعمل على خادم Linux). عادةً، لا يمكن لهذه الأدوات التواصل مع بعضها البعض.
يقوم AGENTCO-OP بتغليف هذه الأدوات المختلفة في حاويات دوكر (Docker containers). فكر في هذا على أنه وضع كل أداة في حاوية شحن عالمية. بغض النظر عن نوع الأداة أو مكان بنائها، بمجرد وضعها في الحاوية، يمكن توصيلها بسير العمل بسلاسة. وهذا يسمح لـ "وكيل الجينات" و"وكيل الأنسجة" (اللذين ربما بناهما أشخاص مختلفون في أوقات مختلفة) بالعمل معًا بشكل مثالي.
ماذا فعلوا بالفعل؟
اختبروا هذا النظام بطريقتين رئيسيتين:
أ. اختبارات العلوم في "العالم الحقيقي" (العالم المفتوح)
لم يستخدموا أسئلة اختبار قياسية. بل استخدموا مشكلات علمية حقيقية ومعقدة:
- دراسة القلب: قاموا بربط وكيلين منفصلين للذكاء الاصطناائي (أحدهما يفحص أنسجة القلب، والآخر يحلل الجينات) لمعرفة سبب سلوك خلايا قلب معينة بشكل مختلف. بنى النظام سير عمل لنقل البيانات بينهما، ونجحوا في تحديد نمط بيولوجي محدد.
- دراسة الخلايا: قاموا بدمج طريقتين مختلفتين للتحليل (النظر في الحمض النووي الريبوزي RNA والنظر في إمكانية الوصول إلى الحمض النووي DNA) للعثور على علامات أفضل لأنواع الخلايا. قام النظام بتشغيل كلا التحليلين بالتوازي، وقارن النتائج، وأنتج تقريرًا أكثر دقة مما لو استُخدمت إحدى الطريقتين بمفردها.
- اختبار "إعادة الاستخدام": أخذوا سير عمل صممه ذكاء اصطناعي آخر وقاموا بـ "إصلاحه" باستخدام طريقة AGENTCO-OP، مما جعله أفضل.
ب. الاختبارات القياسية (المعايير المرجعية)
اختبروا النظام أيضًا في اختبارات الرياضيات والبرمجة والإجابة على الأسئلة القياسية (مثل تلك المستخدمة لتقييم نماذج الذكاء الاصطناعي).
- النتيجة: سجل AGENTCO-OP أعلى الدرجات في أربعة من أصل ستة من هذه الاختبارات.
- التكلفة: كان أيضًا أرخص بكثير في التشغيل. فبينما أنفقت الطرق الأخرى الكثير من المال في "البحث" عن الإجابة الصحيحة، قام AGENTCO-OP ببساطة بتجميع الأدوات الصحيحة وإصلاح الأخطاء الصغيرة أثناء حدوثها، مما وفر وقتًا ومبالغ كبيرة من موارد الحاسوب.
الخلاية
تزعم الورقة البحثية أن AGENTCO-OP هو طريقة أذكى لبناء فرق الذكاء الاصطناعي للمهام المعقدة. فبدلاً من محاولة "البحث" عن حل مثالي من الصفر، فإنه يسترجع الأدوات الموجودة، ويربطها معًا بقواعد صارمة، ويصلح الأخطاء الصغيرة فور حدوثها. وهذا يجعله أفضل في التعامل مع العلوم الحقيقية حيث لا توجد مفاتيح إجابة، كما يوفر المال مقارنة بالطرق القديمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.