Global Optimization and Inference-Time Region Grafting for Agentic Workflows
تقدم الورقة البحثية GRAFT، وهي طريقة لا تتطلب تدريباً تُمكّن سير العمل الوكيل (agentic workflows) من استبدال مناطق التنفيذ الفاشلة ببدائل أفضل بشكل تكيفي باستخدام إشارات جودة خالية من الملصقات، مما يحقق تحسيناً على مستوى الحالة وأداءً محسناً عبر مهام متنوعة دون الحاجة إلى إعادة تحسين كامل سير العمل المكلفة حاسوبياً.
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 ضخم ومعقد. في عالم الذكاء الاصطناعي، تُسمى هذه الألغاز "سير العمل الوكيل" (agentic workflows). فبدلاً من مجرد سؤال كمبيوتر ذكي لـ "حل هذا"، فإننا نعطيه وصفة محددة — خطة خطوة بخوة تتضمن أدوات مختلفة مثل البحث عن الحقائق، والتخطيط المسبق، والتحقق من عمله الخاص، وتحسين الإجابة. فكر في الأمر كأنه مطبخ حيث لا يكتفي "رئيس الطهاة" (الذكاء الاصطناعي) بالطبخ فحسب؛ بل لديه مساعد طاهٍ للتقطيع، ومتذوق للتحقق من الجودة، ومخطط لتنظيم القائمة.
لفترة طويلة، حاول العلماء العثًور على الوصفة "المثالية" لكل نوع من أنواع الألغاز. لقد أجروا آلاف الاختبارات "دون اتصال" (offline) لمعرفة الترتيب الأفضل للخطوات. ولكن تكم-لة المشكلة هي أن ليست كل الألغاز متشابهة. فقد تتطلب مسألة رياضية بسيطة مجرد عملية تقطيع سريعة، بينما قد تتطلب مسألة تاريخية معقدة بحثاً عميقاً ومراجعة مزدوجة. إذا استخدمت نفس الوصفة الجامدة لكل لغز، فقد تتعثر أو ترتكب خطأً سخيفاً لأن الخطة لم تكن مرنة بما يكفي لتلك اللحظة المحددة. السؤال الكبير هو: هل يمكننا الاحتفاظ بوصفة رائعة ومخطط لها مسبقاً، مع القدرة على تعديل الخطوات أثناء الطهي، خصيصاً للطبق الذي نصنعه الآن، دون الحاجة إلى البدء من الصفر؟
هذا هو بالضبط ما تعالجه الورقة البحثية بعنوان "التحسين العالمي والاستدلال عبر تطعيم المناطق في وقت الاستدلال لسير العمل الوكيل" (Global Optimization and Inference-Time Region Grafting for Agentic Workflows). يقدم المؤلفون نظاماً جديداً يسمى GRAFT. فبدلاً من إجبار الذكاء الاصطناعي على الالتزام بخطة ثابتة واحدة أو إعادة اختراع العجلة بالكامل لكل سؤال، يعمل GRAFT مثل رئيس طهاة محترف لديه "وصفة ذهبية" لنوع معين من الوجبات، ولكنه مستعد لاستبدال مكون واحد أو اثنين فقط إذا أخبره اختبار التذوق بضرورة ذلك.
إليك كيف يعمل هذا في الواقع العملي للورقة البحثية: أولاً، يجد النظام سير عمل مُحسّناً عالمياً (الوصفة الذهبية) لفئة كاملة من المهام، مثل الرياضيات أو البرمجة، باستخدام طرق اختبار قياسية. يحدث هذا قبل أن يبدأ الذكاء الاصطناعي في الإجابة على الأسئلة. بعد ذلك، عندما يأتي سؤال محدد، لا يقوم GRAFT بتشغيل الوصفة بشكل أعمى. بل يقوم بتفكيك الوصفة إلى أقسام صغيرة قائمة بذاتها تسمى "مناطق" (regions). وبينما يعمل الذكاء الاصطناعي على حل المشكلة، فإنه يتحقق من كل منطقة. إذا بدت منطقة ما (مثل خطوة "الاستنتاج") تعاني أو تنتج نتيجة ضعيفة، يقوم GRAFT باستبدال هذا القسم المحدد بنسخة أفضل على الفور.
الأمر الحاسم هنا هو أن هذا الاستبدال يحدث دون الحاجة إلى معرفة الإجابة الصحيحة مسبقاً (وهو أمر مستحيل عادةً أثناء الاستخدام الفعلي). بدلاً من ذلك، يستخدم النظام إشارات "خالية من التسميات" (label-free) ذكية للحكم على الجودة. على سبيل المثال، في الرياضيات، قد يقوم بتشغيل نفس المسألة بخمس طرق مختلفة ويرى ما إذا كانت جميعها متفقة (وهي تقنية تسمى "الاتساق الذاتي"). وفي البرمجة، قد يقوم بتشغيل الكود ليرى ما إذا كان يجتاز الاختبارات. إذا بدا أن نسخة جديدة من الخطوة تبدو أفضل ولا تكسر الاتصال بالخطوة التالية، يقوم GRAFT بـ "تطعيمها" (grafting) مكان القديمة. وإذا لم تكن كذلك، فإنه يحتفظ بالأصلية. يحدث هذا فوراً لكل مدخل.
وجدت الورقة البحثية أن هذا النهج يعد نقطة تحول جذري. فعند اختباره على خمسة معايير مختلفة تتراوح بين المسائل الرياضية (مثل GSM8K و MATH) ومهام البرمجة (HumanEval) والأسئلة المعقدة (HotpotQA)، تفوق GRAFT على الطريقة السابقة الأفضل، والتي تسمى MaAS، بمتوسط 3.85 نقطة. وفي عالم معايير الذكاء الاصطناعي، تعتبر هذه قفزة هائلة. فعلى سبيل المثال، في مجموعة بيانات GSM8K للرياضيات، سجل GRAFT 95.04، متفوقاً على أفضل طريقة تالية التي سجلت 92.30.
كما اكتشف المؤلفون أمراً مثيراً للاهتمام حول "الوصفة" نفسها. فقد وجدوا أن سير العمل المُحسّن ليس مجرد تعليمات ثابتة؛ بل هو سياسة مرنة. حتى لو قاموا باستبدال "الطاهي" (نموذج الذكاء الاصطناعي الأساسي) بنموذج أقوى دون تغيير سير العمل، فإن الأداء يرتفع. وهذا يشير إلى أن سير العمل الجيد قابل للتكيف؛ إذ يمكنه التطور والتحسن بمجرد وجود أداة أذكى للقيام بالعمل، دون الحاجة إلى إعادة تصميمه.
ومع ذلك، تشير الورقة البحثية بحذر إلى أين يعمل هذا السحر وأين يصطدم بحائط مسدود. فالإشارات "الخالية من التسميات" المستخدمة للحكم على جودة العمل تعمل بشكل جيد جداً في الرياضيات والبرمجة، حيث تكون الإجابة إما صحيحة أو خاطئة. لكن بالنسبة لأسئلة المعرفة المعقدة (مثل تلك المتعلقة بالتاريخ أو العلوم)، تكون الإشارات أقل موثوقية، ولا يتحسن النظام بنفس القدر. ويشير المؤلفون إلى أنه بينما يعد GRAFT طريقة قوية لتكييف سير العمل في الوقت الفعلي، فإنه يعتمد بشدة على القدرة على التحقق من جودة خطوة ما دون معرفة الإجابة النهائية.
باختصار، يثبت GRAFT أنك لست مضطراً للاختيار بين استراتيجية مخططة مسبقاً وجامدة وبين نهج فوضوي قائم على الارتجال. فمن خلال تطعيم تعديلات صغيرة وذكية على أساس متين، يمكن لوكلاء الذكاء الاصطناعي أن يصبحوا أكثر قوة وكفاءة ودقة، مما يحل مشكلات كانت تعتبر سابقاً أصعب من أن تُحل بخطة واحدة تناسب الجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.