Multi-Agent Scheduling with LLM-Assisted Contract Net Negotiation for Stream Processing in Mobile Edge Computing
تقدم هذه الورقة MAS-DecStream، وهو إطار عمل لجدولة الوكلاء المتعددين في حوسبة الحافة المتنقلة يعزز بروتوكول شبكة العقد (Contract Net Protocol) عبر تفاوض متعدد الجولات مدعوم بالنماذج اللغوية الكبيرة (LLM) للتعامل بفعالية مع تقلبات عبء العمل وقيود جودة الخدمة (QoS)، محققاً انخفاضات كبيرة في انتهاكات زمن الاستجابة وتحسينات في كفاءة استخدام الموارد مقارنة بالنماذج المرجعية التقليدية.
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 مدينة صاخبة حيث تندفع الملايين من شاحنات التوصيل الصغيرة فائقة السرعة (تدفقات البيانات) باستمرار، لتسليم طرود تحتاج إلى معالجة فورية. هذه ليست مجرد طرود عادية؛ إنها قراءات مراقبة القلب المنقذة للحياة، أو تحديثات حركة المرور في الوقت الفعلي، أو بث فيديو مباشر من مصنع. إذا ظل الطرد عالقًا في الزحام لثانية واحدة أطول من اللازم، سينهار النظام بأكمله. هذا هو عالم حوسبة الحافة المتنقلة (Mobile Edge Computing). فبدلاً من إرسال كل هذه الطرود إلى مستودع ضخم وبعيد (السحابة - Cloud) لفرزها، نحاول معالجتها هنا في الحي (الحافة - Edge)، باستخدام أجهزة كمبيوتر محلية.
لكن المشكلة تكمكمن في أن المدينة فوضوية. تحدث اختناقات مرورية بشكل غير متوقع، وبعض الأحياء لديها عدد شاحنات يفوق قدرتها على الاستيعاب، كما أن المديرين المحليين (أجهزة الكمبيوتر) لا يمكنهم رؤية سوى حركة المرور في شارعهم الخاص؛ لا يمكنهم رؤية المدينة بأكملها. فإذا حاول كل مدير إرسال شاحناته الإضافية إلى نفس "الشارع الفارغ" الذي يعتقد أنه متاح، فسيؤدي ذلك إلى تكدس هائل، مما يسبب تأخيرات وفوات المواعيد النهائية. ولحل هذه المشكلة، يستخدم العلماء نظامًا يسمى الجدولة متعددة الوكلاء (Multi-Agent Scheduling)، حيث يتحدث هؤلاء المديرون المحليون مع بعضهم البعض لتقرير من سيتولى أي شاحنة. وغالبًا ما يستخدمون كتاب قواعد يسمى بروتوكول عقد الشبكة (Contract Net Protocol)، وهو يشبه مزادًا رقميًا: يقول أحد المديرين: "لدي شاحنة!" ويصرخ الآخرون: "يمكنني استلامها!" والفوز يكون لأفضل عرض. ومع ذلك، فإن كتب القواعد التقليدية جامدة؛ فهي لا تستطيع التعامل بسهولة مع المواقف المعقدة مثل "هذه الشاحنة عاجلة" أو "ذلك الشارع يبدو غير مستقر". وهنا يأتي دور نماذج اللغات الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناعي الذي يمكنه كتابة القصص أو الدردشة معك — والتي تعد بمساعدة المديرين على فهم الفروق الدقيقة للموقف، وليس فقط الأرقام.
الفكرة الكبرى للورقة البحثية: مزاد أذكى لشاحنات البيانات
تقدم هذه الورقة نظامًا هجينًا جديدًا يسمى MAS-DecStream. فكر في الأمر كترقية لمديري الأحياء من روبوتات جامدة إلى منسقين أذكياء ومحاورين يستخدمون الذكاء الاصطناعي للتفاوض على صفقات أفضل. يقترح المؤلفان، صابر لاجيلي وزكي براهمي، نسخة جديدة من المزاد تسمى LLM-MR-CNP.
في المزاد القديم، "أحادي الجولة"، كان المدير الذي لديه حمل ثقيل يصرخ: "من يمكنه أخذ هذا؟"، وأول جار يقول "أنا!" يحصل على المهمة. وإذا قال جاران "أنا!" في نفس الوقت، سادت الفوضى. يغير النظام الجديد، LLM-MR-CNP، قواعد اللعبة بطريقتين ذكيتين:
- إنها محادثة، وليست صرخة: بدแทนًا من عرض سريع واحد، تتم المفاوضات عبر جولات متعددة. إذا كانت جولة العروض الأولى مربكة أو إذا ادعى جاران أنه يمكنهما التعامل مع الحمل، فإن المدير لا يختار الفائز فحسب، بل يطلب "مراجعة". قد يقول: "مهلًا، لقد لاحظت للتو ارتفاعًا في حركة المرور بالقرب منك؛ هل أنت متأكد حقًا من قدرتك على أخذ هذا؟". هذا يسم يسمح للجيران بإعادة التفكير في عروضهم بناءً على معلومات نوعية جديدة (مثل التحذير من ازدحام مروري) قد يغفل عنها الروبوت البسيط.
- دماغ الذكاء الاصطناعي مع شبكة أمان: يتم التعامل مع الجزء "المحاور" بواسطة ذكاء اصطناعي (نموذج لغة كبير). يساعد الذكاء الاصطناعي المديرين على كتابة رسائل أفضل، وفهم التحذيرات الغامضة، وتحسين مقترحاتهم. ولكن — وهذا أمر بالغ الأهمية — الذكاء الاصطناعي لا يتخذ القرار النهائي بمفرده. فهو يعمل كمستشار مفيد، بينما يتم التحقق من القرار الفعلي بواسطة أداة كمبيوتر "حتمية" (deterministic) تدقق في العمليات الحسابية. إذا اقترح الذكاء الاصطناعي صفقة تكسر القواعد (مثل تحميل كمبيوتر فوق طاقته)، فإن شبكة الأمان تتدخل وتقول: "لا، هذا مستحيل".
ما وجدوه: قوة التحدث والتشاور
اختبر الباحثون هذا النظام الجديد باستخدام مجموعة بيانات ضخمة من أعباء عمل الذكاء الاصطناعي الحقيقية (من مسار Alibaba ASI). أجروا عمليات محاكاة لمعرفة مدى كفاءة "المزاد الذكي" الخاص بهم مقارنة بطريقة "اصرخ واربح" القديمة، وطريقة "متعددة الجولات قائمة على القواعد" التي تمثل حلاً وسطًا.
إليك ما كشفت عنه عمليات المحاكاة:
- الحديث ينقذ الموقف: لم يأتِ التحسن الأكبر من الذكاء الاصطناعي نفسه، بل من حقيقة أنهم سمحوا بوجود جولات متعددة من التفاوض. فمجرد السماح للمديرين بالحديث ذهابًا وإيابًا لتحسين عروضهم قلل من عدد المواعيد النهائية الفائتة (انتهاكات زمن الاستجابة) من 53% إلى 37%، حتى بدون استخدام الذكاء الاصطناعي.
- الذكاء الاصطناعي يضيف "اللمسة السحرية": عندما أضافوا المساعد الذكي إلى النظام متعدد الجولات، تحسنت النتائج أكثر؛ حيث انخفض معدل المواعيد النهائية الفائتة إلى 3% فقط. كما أصبح النظام أفضل بكثير في حل النزاعات عندما تصل العديد من الشاحنات في وقت واحد، حيث حل 91% من النزاعات مع وجود 20 وكيلًا (مقارنة بـ 86% بدون الذكاء الاصطناعي).
- الأمر ليس مجانياً: المقايضة هي أن التحدث يستغرق وقتًا وطاقة. استخدم النظام المدعوم بالذكاء الاصطناعي حوالي ثلاثة أضعاف عدد الرسائل واستغرق وقتًا أطول لاتخاذ القرار (حوالي 83.56 ثانية من زمن تفكير الذكاء الاصطناعي في سيناريو الاختبار الخاص بهم) مقارنة بالطرق البسيطة.
- السياق مهم: برز الذكاء الاصطناعي بقوة عندما كان الموقف فوضويًا أو غير مؤكد. عندما كانت البيانات واضحة وبسيطة، كانت القواعد الصارمة كافية. ولكن عندما احتاج المديرون إلى تفسير تحذير غامض أو تغير مفاجئ في حركة المرور، جعلت قدرة الذكاء الاصطناعي على فهم "السياق النوعي" فرقًا هائلاً، مما حسن الفائدة الإجمالية للنظام بنسبة تصل إلى 22%.
الحكم النهائي
تشير الورقة البحثية إلى أن الأداة الأكثر قوة ليست مجرد الذكاء الاصطناعي المتطور، بل هي بنية المحادثة. فمن خلال الانتقال من مزاد سريع بقرار واحد إلى تفاوض متعدد الجولات حيث يمكن للجيران مراجعة عروضهم، يصبح النظام أكثر متانة. يعمل الذكاء الاصطناعي كمضخم قوي لهذه العملية، حيث يساعد المديرين على فهم "القصة" وراء الأرقام، ولكن يجب دائمًا التحقق منه بواسطة كتاب قواعد صارم لضمان أن القرار النهائي ممكن من الناحية الفيزيائية.
باخت-اختصار، وجد المؤلفون أن القليل من "الدردشة" (التفاوض متعدد الجولات) جنباً إلى جنب مع مساعد ذكي مدرك للسياق (LLM) وحكم صارم (التحقق الحتمي) يخلق نظام جدولة أقل عرضة للانهيار تحت الضغط. ومع ذلك، فهم يحذرون من أن هذه المحاكاة تعتمد على بيانات محددة، وأن "أفضل" طريقة لاستخدام الذكاء الاصطناعي تعتمد بشكل كبير على كيفية طرح الأسئلة (الـ Prompt) وعلى نموذج الذكاء الاصطناعي المحدد الذي تختاره. إنها خطوة واعدة نحو مدن بيانات أكثر ذكاءً ومرونة، لكنها ليست عصا سحرية تحل كل شيء فوراً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.