KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement

تخيل أنك قبطان سفينة فضاء كنت تبحر في نفس النظام النجمي لسنوات. حاسوب سفينتك، الذي برمجته للملاحة بدقة، يعرف كل كويكب وسحابة غازية عن ظهر قلب. ولكن ذات يوم، يتغير الكون. تندفع سديم جديدة، وتتغير ألوان النجوم، ولم تعد الخرائط القديمة تطابق المشهد في الخارج. إذا استمر حاسوبك في استخدام الخرائط القديمة، فستصطدم. هذا هو الصراع اليومي لـ "تعلم الآلة" (Machine Learning) في العالم الحقيقي: البرمجيات التي تتعلم من البيانات غالباً ما ترتبك عندما تتغير تلك البيانات بمرور الوقت، وهي مشكلة يسميها العلماء "انزياح البيانات" (Data Drift).

ولإصلاح ذلك، نحتاج عادةً إلى خبراء بشريين لإعادة تدريب البرمجيات باستمرار، وهو أمر بطيء ومكلف. مؤخراً، قمنا ببناء "وكلاء ذكاء اصطناعي" (AI Agents) — وهي برامج ذكية يمكنها كتابة الكود وإصلاح نفسها، تشبه إلى حد ما ميكانيكياً رقمياً. لكن هؤلاء الميكانيكيين الرقميين لديهم عيب: فهم إما سريعون ومتهورون، مما يجعلهم يجرون تغييرات متسرعة تكسر الأشياء، أو بطيئون وحذرون للغاية، مما يستغرق وقتاً طويلاً لإصلاح مشكلة تحتاج إلى اهتمام فوري. إنهم يكافحون لتحقيق التوازن بين السرعة والأمان. تقدم هذه الورقة البحثية نوعاً جديداً من ميكانيكي الذكاء الاصطناعي الذي يحل هذه المشكلة عبر استعارة خدعة من طريقة عمل الأدمغة البشرية: امتلاك "نمطين" مختلفين من التفكير.

---

تعرف على KC-Agent: الميكانيكي العبقري

قام المؤلفون في هذه الورقة ببناء نظام ذكاء اصطناعي جديد يسمى KC-Agent (اختصار لـ Kahneman-Clear Agent). تم تصميمه لإصلاح نماذج تعلم الآلة تلقائياً عندما تبدأ في التصرف بشكل خاطئ بسبب تغير البيانات التي تعتمد عليها. ما هو السر؟ إنه لا يفكر بطريقة واحدة فقط؛ بل يستخدم "دماغاً ثنائي العمليات"، مستوحى من كيفية تفكير البشر.

فكر في دماغ KC-Agent كأنه يمتلك شخصيتين مختلفتين تعملان معاً:

1. النظام 1 (المنعكس السريع): هذا هو نمط "الشعور الفطري". إنه سريع جداً. عندما تظهر مشكلة، يقوم النظام 1 بمسح ذاكرته بحثاً عن موقف مشابه رآه من قبل. إذا وجد تطابقاً، فإنه يطبق حلاً فورياً عرف أنه نجح في الماضي. إنه مثل طباخ يرى مقلاة محترقة فيمسك فوراً بمطفأة الحريق دون تفكير، لأنه فعل ذلك مئات المرات.
2. النظام 2 (المفكر البطيء): هذا هو نمط "التعمق". إنه مدروس، حذر، وبطيء نوعاً ما. إذا لم يتمكن النظام 1 من إيجاد حل سريع، أو إذا كانت المشكلة غريبة جداً، فإنه يسلم المهمة للنظام 2. يقوم النظام 2 بتفكيك المشكلة إلى خطوات صغيرة وآمنة. يجرب تغييراً صغيراً واحداً، ويتحقق مما إذا كان يعمل، وإذا فشل، فإنه يضغط فوراً على زر "تراجع" ويجرب شيئاً آخر. إنه مثل عالم يجري تجربة مخبرية، يغير متغيراً واحداً في كل مرة ليرى ما سيحدث.

كيف يعمل في الممارسة العملية

تصف الورقة البحثية KC-Agent كعملية تدفق حيث يتواصل هذان النظامان مع بعضهما البعض. عندما يكتشف الذكاء الاصطناعي أن نموذجه يؤدي بشكل سيء مع البيانات الجديدة، فإنه يسأل أولاً النظام 1: "هل رأينا هذا من قبل؟"

• إذا كانت الإجابة نعم: يستدعي النظام 1 "ذاكرة" لحل ناجح من تجاربه السابقة ويطبقه فوراً. هذا سريع للغاية.
• إذا كانت الإجابة لا: يقول النظام 1: "أنا عاجز"، ويستدعي النظام 2. يبدأ النظام 2 بعد ذلك عملية منهجية بطيئة. يقوم بإجراء تغييرات "ذرية" صغيرة (مثل ضبط رقم واحد أو استبدال أداة واحدة) ويختبرها. إذا جعل التغيير الأمور أفضل، فإنه يحتفظ به. وإذا جعل الأمور أسوأ، فإنه يتراجع فوراً عن التغيير بحيث لا يصبح النموذج أسوأ مما كان عليه في البداية.

بمجرد أن يجد النظام 2 حلاً، فإنه لا يتركه هناك فحسب. بل يعلم النظام 1! إنه يكتب الحل الجديد في "بنك الذاكرة" الخاص به حتى يتمكن النظام 1 في المرة القادمة التي يظهر فيها مشكلة مماثلة من التعرف عليها وحلها فوراً. وهذا ما يسمى ترسيخ المعرفة (Knowledge Consolidation).

ما وجدوه

اختبر الباحثون KC-Agent على خمس مجموعات بيانات مختلفة. اثنتان منها كانت مجموعات بيانات صناعية واقعية من وكالة ناسا حول تآكل المحركات النفاثة بمرور الوقت، والتي تميزت بتدهور زمني حقيقي. والثلاث الأخرى كانت مجموعات بيانات اصطناعية (تحاكي القروض، والحالات الصحية، والقرارات الإدارية) حيث تم إنشاء البيانات الأساسية باستخدام GPT-4 ثم تنقيحها بعناية لضمان توزيعات ميزات واقعية وأنماط انزياح متماسكة، مما ألغى العلاقات غير المنطقية. قارنوا KC-Agent بوكلاء ذكاء اصطناعي مشهورين آخرين مثل CodeAct و Tree of Thoughts و ReAct.

إليكم ما تقوله الأرقام:

• الدقة: حقق KC-Agent متوسط دقة بلغ 76.8%، متفوقاً على أفضل وكيل تالٍ (CodeAct) بنسبة 2.4%. بل وتفوق على طريقة "Tree of Thoughts" بنسبة 3.6% وعلى "ReAct" بنسبة 8.0%.
• السرعة: كان فعالاً للغاية، حيث استغرق في المتوسط 13.2 ثانية فقط للتشغيل. في المقابل، استغرق النسخة "البطيئة" من وكيلهم الخاص (النظام 2 فقط) 141.2 ثانية. وهذا يعني أن نهج العمليات الثنائية كان أسرع بنسبة 91% من استخدام المفكر البطيء والحذر فقط.
• الذكاء: عندما قامت لجنة من أجهزة الذكاء الاصطناعي المتقدمة الأخرى بتقييم جودة تغييرات الكود، سجل KC-Agent 8.33 من 10 في "الذكاء". وكان هذا أعلى بكثير من CodeAct (5.93) و ReReAct (5.33). لاحظ الحكام أن KC-Agent قام بتغييرات استراتيجية وذكية بدلاً من مجرد تغييرات آمنة ومملة.

لماذا هذا مهم

تشير الورقة البحثية إلى أن مفتاح إصلاح نماذج الذكاء الاصطناعي ليس مجرد جعلها أكثر ذكاءً أو سرعة؛ بل يتعلق بمنحها الهيكل الصحيح للتفكير. من خلال تقسيم العمل بين نظام سريع يعتمد على مطابقة الأنماط ونظام بطيء وحذر، يحصل KC-Agent على أفضل ما في العالمين. فهو يستجيب بسرعة للمشكلات الشائعة، لكنه لا يصاب بالذعر عندما تصبح الأمور غريبة.

لقد أثبت المؤلفون أيضاً أن طريقتهم آمنة. ولأن النظام 2 لا يقوم إلا بتغييرات صغيرة ويتراجع عنها فوراً إذا فشلت، فإن النموذج لا يصبح أبداً أسوأ مما كان عليه في البداية. مبدأ "التغيير الذري" هذا أمر بالغ الأهمية للاستخدام في العالم الحقيقي، حيث لا يمكنك تحمل كسر نظام يدير مستشفى أو محطة طاقة.

باختصار، يظهر KC-Agent أنه إذا كنت تريد للذكاء الاصطناعي أن يكون ميكانيكياً جيداً، فلا ينبغي لك فقط جعله عبقرياً؛ بل يجب أن تعطيه منعكساً سريعاً ودماغاً حذراً، وتتركهم يعلمون بعضهم البعض. يشير هذا النهج إلى أن أنظمة الذكاء الاصطنا المستقبلية يمكن أن تكون أفضل بكثير في الحفاظ على تحديث نفسها في عالم متغير، دون الحاجة إلى إنسان يمسك بيدها في كل خطوة.