Skill Blocks: How Should an Agent Load Its Skill? A Caching-Correct Comparison of Pre-load, On-Demand Tool-Loading, Progressive Disclosure, and Hybrid
تقيم هذه الورقة أربع استراتيجيات لتحميل المهارات لوكلاء الذكاء الاصطعي وتثبت أنه بينما لا توجد طريقة واحدة متفوقة عالميًا، فإن نهجي الهجين والإفصاح التدريجي يقللان بشكل كبير من استهلاك الرموز (tokens) — لا سيما في المهام الكبيرة متعددة الخطوات — دون المساس بجودة المخرجات.
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
في عالم الذكاء الاصطناعي المتطور، تبرز حاجة متزايدة لتعليم برامج الكمبيوتر كيف تتصرف كمتخصصين. فبدلاً من إعادة كتابة العقل الجوهري للبرمجيات، يقوم المهندسون الآن بإلحاق "مهارات" بها—وهي عبارة عن أدلة تعليمات مفصلة تخبر النظام كيفية أداء مهام محددة، مثل البحث عن المعلومات، أو التعامل مع جداول البيانات، أو التنقل في بيئة افتراضية. تُقرأ هذه الأدلة من قبل الذكاء الاصطناعي في كل مرة يُطلب منه القيام بشيء ما. ومع ذلك، ظهرت مشكلة عملية: فهذه الأدلة غالباً ما تكون طويلة جداً، وتحتوي على مئات الصفحات من القواعد والأمثلة. وعندما يُسأل الذكاء الاصطناعي سؤالاً بسيطاً، فإنه غالباً ما يضطر لقراءة الدليل الضخم بأكه، حتى لو كان 90 بالمائة من النص غير ذي صلة بالمهمة المطل تة. وهذا يهدر موارد الحوسبة ويبطئ العملية، تماماً مثل أمين مكتبة يصر على قراءة كل كتاب في المكتبة قبل مساعدة زبون في العثور على حقيقة واحدة محددة.
لقد سعى باحثون في شركة مايكروسوفت لحل مشكلة الكفاءة هذه عبر طرح سؤال بسيط: إذا كان لديك دليل مهارات كبير، فمتى يجب أن تعرض كل جزء منه للذكاء الاصطناعي؟ لقد اختبروا أربع طرق مختلفة لتقديم هذه المعلومات. كانت الطريقة الأولى هي النهج التقليدي: تحميل الدليل بأكمله في كل مرة. أما الطريقة الثانية، المسماة "كتلة المهارة" (Skill Block)، فقد أبقت فقط على نواة صغيرة من التعليمات مرئية، وسمحت للذكاء الاصطناعي بطلب أقسام إضافية محددة فقط عندما يشعر أنه بحاجة إليها. والطريقة الثالثة، "المرجع" (Reference)، عرضت للذكاء الاصطناعي فهرساً قصيراً لمحتويات الدليل وتركته يختار القسم الذي سيقرأه تالياً. أما الطريقة الرابعة، "الهجين" (Hybrid)، فقد قدمت ملخصاً موجزاً جداً لكل قسم، مما سمح للذكاء الاصطناعي بتقرير ما إذا كان يحتاج إلى التفاصيل الكاملة أم أن الملخص كافٍ. اختبر الفريق هذه الطرق عبر خمسة أنواع مختلفة من المهام، تتراوح من الأسئلة الفردية إلى المشكلات المعقدة متعددة الخطوات التي تتطلب من الذكاء الاصطناعي تذكر المعلومات عبر عدة جولات من المحادثة.
وكشفت النتائج أنه لا توجد طريقة واحدة مثلى لتحميل هذه المهارات؛ فالخيار الصحيح يعتمد كلياً على حجم الدليل وطبيعة المهمة. بالنسبة للأسئلة البسيطة التي تُطرح لمرة واحدة، أثبت النهج "الهجين" أنه الأكثر كفاءة. فمن خلال تقديم ملخص قصير لكل قسم، استطاع الذكاء الاصطناعي عادةً العثور على ما يحتاجه دون أن يطلب النص الكامل أبداً، مما وفر قدراً كبيراً من البيانات. وفي اختبار واحد تضمن مجموعة كبيرة من الأسئلة، قللت هذه الطريقة من كمية المعلومات التي تعين على الذكاء الاصطناعي معالجتها بنسبة تقارب 28 بالمائة مقارنة بقراءة الدليل بالكامل. ومع ذلك، بالنسبة للأدلة الصغيرة جداً أو المهام التي يحتاج فيها الذكاء الاصطناعي إلى نفس التعليمات بشكل متكرر، فإن الجهد الإضافي لطلب المعلومات أو قراءة الملخصات جعل العملية أبطأ وأكثر تكلفة، ولم يقدم أي فائدة حقيقية مقارنة بمجرد قراءة الشيء بأكمله في البت البداية.
أصبحت النتائج أكثر إثارة للاهتمام عندما نظر الباحثون في المهام المعقدة متعددة الخطوات حيث يتعين على الذكاء الاصطناعي تذكر السياق عبر محادثة طويلة. في هذه السيناريوهات، برزت طريقتَا "كتلة المهارة" و"الهجين" عندما كانت الأدلة كبيرة وتحتوي على أقسام عديدة نادراً ما تُستخدم. ولأن الذكاء الاصطناعي قام بتحميل الأجزاء المحددة التي يحتاجها فقط لكل خطوة، فقد تجنب التكلفة الباهظة لإعادة إرسال الدليل غير المستخدم بالكامل باستمرار. وفي محاكاة معقدة واحدة تتعلق بالاستنتاج العلمي، قللت هذه الأساليب القائمة على الطلب عند الحاجب من حمل البيانات الفعلي بأكثر من 60 بالمائة مقارنة بالطريقة التقليدية. وأشار الباحثون إلى أن هذا التوفير كان كبيراً لدرجة أنه فاق التكلفة الصغيرة لطلب المعلومات. وعلى العكس من ذلك، في المهام التي كانت فيها التعليمات قصيرة ومطلوبة في كل خطوة، تلاشت ميزة أساليب التحميل الذكية هذه، وأدت الأنظمة أداءً مماثلاً تقريباً للنهج التقليدي.
كان جزءاً حاسماً من هذه الدراسة هو كيفية قياس الباحثين للتكلفة. فقد أدركوا أن مجرد عد إجمالي الكلمات المرسلة إلى الذكاء الاصطناعي قد يكون مضللاً، خاصة في المحادثات الطويلة. فالأنظمة الحديثة غالباً ما تتذكر الأجزاء السابقة من المحادثة، لذا فهي لا تحتاج إلى إعادة معالجة الكلمات التي تمت رؤيتها بالفعل بالكامل. طور الفريق طريقة لعد المعلومات الجديدة فقط مع منح خصم صغير للأجزاء المكررة. وعندما طبقوا هذا المحاسبة الأكثر دقة، أصبحت فوائد أساليب التحميل الذكية أكثر وضوحه في المهام الكبيرة والمعقدة. ومع ذلك، وجدوا أيضاً أنه إذا كانت التعليمات صغيرة جداً أو إذا كان يتعين على الذكاء الاصطناعي طلب المعلومات بشكل متكرر للغاية، فإن التكاليف الإضافية لإدارة تلك الطلبات قد تلغي التوفير المحقق.
في نهاية المطاف، تشير الدراسة إلى أن أفضل استراتيجية لتعليم مهارات الذكاء الاصطناعي هي مطابقة طريقة التقديم مع الوظيفة. فإذا كان الدليل قصيراً أو تتطلب المهمة نفس التعليمات باستمرار، فمن الأفضل تحميل كل شيء دفعة واحدة. ولكن إذا كان الدليل طويلاً ويحتاج الذكاء الاصطناعي فقط إلى جزء صغير منه في أي وقت معطى، فإن النظام الذكي الذي يحمل المعلومات عند الحاجة فقط يكون متفوقاً بمراحل. وقد وجد الباحثون أن النهج "الهجين"، الذي يقدم نظرة عامة سريعة على جميع الخيارات، يعمل بشكل أفضل للمهام البسيطة، بينما يعمل نهج "كتلة المهارة"، الذي يسمح للذكاء الاصطناعي بالتعمق فقط عند الضرورة، بشكل أفضل للمشاريع الطويلة والمعقدة. لا يدعي هذا العمل أنه وجد قاعدة عالمية تنطبق على كل موقف، ولكنه يوفر خريطة واضحة للمهندسين لتقرير كيفية هيكلة قاعدة معرفة الذكاء الاصطناعي الخاص بهم لتوفير الوقت والموارد دون التضحية بالأداء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.