BoardroomAI: Dependency-Aware Human-Steerable Multi-Agent Deliberation through Evolving Decision Graphs
تقدم BoardroomAI إطار عمل للمداولة متعدد الوكلاء يعتمد على التبعية وقابل للتوجيه البشري، يستخدم رسومًا بيانية للقرار متطورة لتمكين التدخل البشري المستمر، مما يسمح بإعادة حساب انتقائية وفعالة لمسارات الاستدلال المتأثرة مع الحفاظ على المخرجات غير المتأثرة وضمان صحة القرار.
تخيل عالماً لا تكتفي فيه الحواسيب بمجرد الإجابة على الأسئلة مثل آلة بيع ذاتي، بل تجلس بالفعل إلى طاولة لتفكر في المشكلات معنا. هذا هو مجال الأنظمة متعددة الوكلاء، حيث تعمل برامج حاسوبية مختلفة (أو "وكلاء") كمتخصصين — كأن يكون أحدهم محامياً، وآخر مهندساً، وثالثاً مديراً للميزانية — يتجاذبون أطراف الحديث لحل لغز معقد. عادةً، عندما يريد إنسان تغيير القواعد في منتصف الطريق، يضطر الحاسوب إما إلى رمي المحادثة بأكملها والبدد من البداية (مما يهدر الوقت والطاقة) أو محاولة لصق القاعدة الجديدة بشكل غريب في نهاية الدردشة، وهو ما يؤدي غالباً إلى إجابات مربكة ومتناقضة. السؤال الكبير الذي يطرحه الباحثون هو: كيف يمكننا بناء فريق من وكلاء الذكاء الاصطناعي يستمع إلى مدير بشري، ويغير رأيه في منتصف الجملة، ويصلح فقط الأجزاء المكسورة من الخطة دون التخلص من الشيء بأكمله؟
إليك BoardroomAI، وهو نظام جديد يتعامل مع القرار الجماعي ليس كمحضر اجتماع طويل وفوضوي، بل كـ رسم بياني للقرار حي ومتنفس. فكر في هذا الرسم البياني كخريطة مدينة ضخمة ومعقدة؛ كل "عقدة" في الخريطة هي قطعة من اللغز (حقيقة، أو قاعدة، أو خطر، أو خيار)، و"الطرق" التي تربط بينها توضح كيف يعتمد جزء على آخر. في الاجتماع العادي، إذا قال الرئيس التنفيذي: "في الواقع، تم تخفيض ميزانيتنا إلى النصف"، فقد تحتاج الخريطة بأكملها إلى إعادة رسم. لكن BoardroomAI مختلف؛ فهو يعرف بالضبط أي الطرق تؤدي إلى الميزانية وأيها لا يؤدي إليها. فعندما تتغير الميزانية، يقوم فقط بإعادة توجيه حركة المرور في الشوارع المتأثرة، تاركاً بقية المدينة (النصائح القانونية، خطط التسويق، فحوصات السلامة) كما هي تماماً.
لقد بنى الباحثون هذا النظام ليروا ما إذا كان بإمكانهم جعل فرق الذكاء الاصطناعي "قابلة للتوجيه" من قبل البشر. لقد ابتكروا لغة خاصة يستخدمها الذكاء الاصطناعي، حيث يتم ترجمة كل فعل بشري — مثل تحدي افتراض ما أو تغيير أولوية ما — إلى تحديث دقيق على الخريطة. ثم يتحقق النظام: "إذا أُغلق هذا الطريق، فما هي الطرق الأخرى التي ستصبح مسدودة؟" إنه يوقظ فقط "الوكلاء المتخصصين" المعنيين لإصلاح الأجزاء المكسورة، بدلاً من إيقاظ الفريق بأكمله.
في تجاربهم، اختبر الفريق هذا النظام على 600 خريطة قرار محاكاة. كانت النتائج مبهرة: عندما حدث تغيير، حدد النظام بشكل صحيح الأجزاء التي تحتاج إلى إصلاح والأجزاء التي يمكن أن تظل دون تغيير، حيث فحص 14.59% فقط من إجمالي العقد. وهذا يعني أنه وفر قدراً هائلاً من العمل مقارنة بالبدء من الصفر. ومع ذلك، كانت هناك عقبة؛ ففي اختبار أصغر وأكثر واقعية شمل 12 سيناريو مختلفاً، كان النظام رائعاً في معرفة ماذا يجب إصلاحه، لكنه اصطدم أحياناً بحائط مسدود. ففي 6 من الحالات الـ 12، قرر النظام أنه لا يستطيع اتخاذ قرار نهائي لأن "حزمة الإصلاح" لم تكن تحتوي على سياق كافٍ لإعادة بناء الصورة الكاملة. كان الأمر أشبه بامتلاك ميكانيكي يعرف بالضبط أي برغي هو المرتخي، لكنه لا يملك كتيب التعليمات لمعرفة كيف ينبغي أن يعمل المحرك بعد ذلك.
تشير الورقة البحثية إلى أنه لكي يعمل الذكاء الاصطناعي حقاً كشريك بشري في غرفة الاجتماعات، فإنه يحتاج إلى ما هو أكثر من مجرد خريطة جيدة؛ يحتاج إلى حزمة معلومات "كافية لاتخاذ القرار" تتضمن جميع القواعد والسياقات اللازمة لإتمام المهمة. وبينما أثبت النظام قدرته على توجيه التغييرات بكفاءة وتوفير الوقت، يعترف الباحثون أن هذا لا يزال نموذجاً أولياً. فهم لم يختبروه على شركات حقيقية أو مع بشر حقيقيين بعد، ووجدوا أن مجرد معرفة أين يجب الإصلاح ليس كافياً دائماً لجعل الإصلاح يعمل. لكن الفكرة متينة: بدلاً من حاسوب ينسى كل شيء عندما تغير رأيك، قد يكون لدينا قريباً فريق رقمي يتذكر ما زال يعمل، ويصلح فقط ما تعطل.
ملخص تقني: BoardroomAI
بيان المشكلة تعمل الأنظمة التقليدية متعددة الوكلاء عادةً بناءً على نموذج قائم على النصوص (transcript-based model)، حيث يقدم الإنسان مطالبة أولية، ثم يتداول الوكلاء داخلياً، ويقوم النظام بعد ذلك بإرجاع استجابة نهائية. يفتقر هذا النهج إلى المساءلة والقدرة على التكيف في البيئات التنظيمية الديناميكية. فإذا تدخل الإنسان في منتصف العملية (على سبيل المثال، تغيير ميزانية، أو سحب دليل، أو إبداء اعتراض أخلاقي)، تواجه الأنظمة التقليدية معضلة: إما إعادة بدء المناقة بأكملها (مما يؤدي إلى هدر العمل والمخاطرة بالانحراف العشوائي في استنتاجات غير ذات صلة) أو إلحاق التغيير بالنص دون ضمان مراجعة جميع المصوغات (artifacts) المعتمدة عليه. تكمن مشكلة البحث الجوهرية في توجيه المراجعة (revision routing): أي تحديد الادعاءات، والافتراضات، والقيود، والقرارات التي تتغير حالتها الدلالية بدقة بعد التدخل، وتحديد المصوغات التي تتطلب مراجعة أو إبطالاً، والمصوغات غير المتأثرة التي يجب الحفاظ عليها، والوكلاء المتخصصين الذين يجب إعادة تنشيطهم.
المنهجية يعمل BoardroomAI على تشغيل عملية الإنشاء المشترك بين الإنسان والوكيل من خلال رسم بياني للقرار مدرك للتبعية (dependency-aware decision graph) بدلاً من النص الخطي. يعامل النظام حالة التداول كـ "رسم بياني متعدد موجه ومصنف" (Gt) حيث تمثل العقد الأدلة، والافتراضات، والقيود، والادعاءات، والاعتراضات، والبدائل، والمخاطر، والقرارات. وتمثل الحواف التبعيات الدلالية (مثل: يتطلب own، يدعم own، يدحض own، يضعف own) والمسؤوليات التخصصية.
يتكون الإطار من أربعة مكونات رئيسية:
الرسم البياني للقرار المصنف: تحافظ العقد على حالتها (نشطة، ضعيفة، متنازع عليها، قديمة، إل_إلخ) وبيئات التبرير الدنيا (مجموعات من الحروف (literals) الداعمة). تظل العقدة صالحة إذا كان هناك بيئة تبرير واحدة على الأقل نشطة وغير مدحوضة.
مترجم التدخل (Intervention Compiler): يحول إجراءات الإنسان المؤكدة (إضافة، سحب، استبدال، تحدي، تحديد أولويات، تجاوز) إلى تغيرات صريحة في الرسم البياني (Δh). تقوم هذه العمليات بتحديث حالات العقد وعلاقات الحواف دون محو التاريخ.
انتشار التبعية المدرك (Dependency-Aware Propagation): عند حدوث تدخل، يقوم النظام بحساب مجموعة تأثير النقطة الثابتة الدنيا (Ih). يقوم النظام بنشر التغييرات فقط عبر التبعيات المتأثرة، مع إعادة تقييم "التوقيع الدلالي" للعقد اللاحقة. إذا تغير توقيع العقدة (البيئات النشطة، الهجمات، الحالة)، يتم تعليمها للإصلاح. أما العقد غير المتأثرة، فيتم الحفاظ عليها بناءً على تواقيعها الدلالية المتحقق منها.
الإصلاح التخصصي الانتقائي: يصيغ النظام عملية الإصلاح كمسألة تغطية مجموعة موزونة بميزانية محددة. يقوم بتوجيه الالتزامات المحددة (إعادة التقدير، الاسترجاع، الفصل) إلى الوكلاء المتخصصين المعنيين. يقترح الإطار مفهوم الإغلاق الكافي للقرار (Decision-Sufficient Closure - DSC)، والذي يحدد سياق الحدود الضروري (القيود الصارمة، المعايير، البدائل، المخاطر، والأدلة) لإعادة بناء قرار صالح، رغم أن آلية الإغلاق هذه لم تُقيم بعد في التجارب المذكورة.
المساهمات الرئيسية يدعي البحث وجود أربع مساهمات نظامية محددة:
تمثيل رسم القرار البياني: دلالات رسمية لرسوم القرارات البيانية تدعم بيئات التبرير الدنيا البديلة، مما يسمح للادعاءات المدعومة بشكل مستقل بالبقاء رغم الإبطال الجزئي.
التدخلات البشرية المصنفة: صياغة المدخلات البشرية كعمليات رسوم بيانية مصنفة (إبطال، إضعاف، منازعة، تجاوز) بدلاً من النصوص غير المهيكلة.
الإصلاح التخصصي الانتقائي: آلية تنشر التأثير عبر الرسم البياني، مما يعيد تنشيط المتخصصين المتأثرين فقط، مع العودة التحفظية إلى إعادة التداول الكامل إذا لم يكن الإصلاح كافياً.
تقييم DynaBoard: تجربة استطلاعية لـ 12 حالة اصطناعية مصممة لتقييم التوجيه والحفاظ على الاستقلالية عن جودة القرار النهائي.
النتائج التجريبية ينقسم التقييم إلى تحقق آلي للمستوى التركيبي وتقييم استطلاعي للوكلاء:
المستوى الآلي (600 رسم بياني موجه غير حلقي): في الرسوم البيانية الاصطناعية غير الحلقية مع تعليقات تبعية كاملة، حققت آلية الانتشار المقترحة دقة واستدعاء بنسبة 100% في تحديد مجموعة التأثير مقارنة بإعادة الحوسبة الشاملة. فحصت الآلية 14.59% فقط من العقد (مقارنة بـ 100% لإعادة التشغيل الكاملة) وحافظت على 89.96% من العقد غير المتأثرة. في اختبارات الضغط باستخدام حذف حواف عشوائية (لمحاكاة التبعيات المفقودة)، انخفض الاستدعاء مع زيادة معدلات الحذف، مما يسلط الض الضوء على الاعتماد على استخراج التبعية الدقيق.
التجربة الاستطلاعية للوكلاء (12 حالة): باستخدام موجه غير قائم على النماذج اللغوية الكبيرة (non-LLM) ووكلاء يعملون بالنماذج اللغوية الكبيرة، حافظ نهج الإصلاح الانتقائي (الحالة C4) على 100% من العقد غير المتأثرة ذهبياً، وقلل من تنشيط المتخصصين بنسبة 11.11%، حيث أعاد حساب 62.11% فقط من المصوغات الأصلية. ومع ذلك، امتنع النظام (فشل في إنتاج قرار) في 50% من الحالات.
سبب الامتناع: حدث الامتناع ليس بسبب خطأ في التوجيه، بل لأن حزمة الإصلاح الموجهة افتقرت إلى السياق الكافي (القيود، المعايير، البدائل) لتمكين المجمع (synthesizer) من إعادة بناء قرار متسق عالمياً. أدت هذه الملاحظة إلى صياغة متطلبات الإغلاق الكافي للقرار، والتي تُقترح كإجراء تصحيحي للتصميم ولكن لم تُقيم بعد في النتائج المبلغ عنها.
الأهمية والادعاءات يؤطر البحث مساهمته بتواضع كـ آلية قابلة للتفنيد للتدبير متعدد الوكلاء المدرك للتبعية والقابل للتوجيه البشري، بدلاً من كونها عرضاً للتفوق التنظيمي العام أو الوصول إلى أقصى قدر من جودة القرار.
الرؤية الجوهرية: التوجيه الصحيح للأثر ضروري ولكنه ليس كافياً لنجاح الإصلاح الانتقائي؛ يجب أيضاً على النظام ضمان توفير سياق كافٍ للقرار للمُجمّع.
القيود: النموذج الأولي الحالي يعتمد على اللغة والرسم البياني، وليس متعدد الوسائط. التقييم هو تقييم اصطناعي وعلى مستوى النموذج الأولي؛ فهو لا يختبر تحليل اللغة الطبيعية غير المقيد، أو الفهم البشري، أو المتانة تجاه التدخلات الغامضة. كما أن "الإغلاق الكافي للقرار" المقترح لم يُقيم بعد.
الخلاصة: يثبت BoardroomAI أن معاملة التدخلات البشرية كعمليات صريحة على رسم بياني مشترك للقرار يسمح بالحفاظ على الاستدلال والمنشأ (provenance) مع تقليل إعادة الحوسبة غير الضرورية. ومع ذلك، فإن "النتيجة السلبية" للتجربة الاستطلاعية (معدل الامتناع المرتفع بسبب نقص السياق) تعمل كقيد تصميمي حاسم للأنظمة المستقبلية: يجب أن تُغلق حزم الإصلاح بكافة الظروف الحدية لتكون قابلة للتنفيذ.