في عالم الذكاء الاصطنا اليوم، تُطالب الآلات بشكل متزايد بحل المشكلات من خلال قراءة كميات هائلة من المعلومات. تخيل أمين مكتبة يتعين عليه الإجابة على سؤال محدد حول مكتبة تحتوي على ملايين الكتب. أحد الأساليب هو قراءة كل كتاب من غلافه إلى غلافه قبل محاولة تقديم إجابة. والأسلوب الآخر هو تزويد أمين المكتبة بمجموعة من الأدوات البسيطة — وسيلة للبحث في فهرس البطاقات، والمشي إلى رف معين، وقراءة الصفحات ذات الصلة فقط. يعتمد هذا الأسلوب الثاني على فكرة أن الآلة يمكنها تعلم كيفية التنقل في هيكل معقد دون الحاجة إلى حفظ كل شيء مسبقاً. هذا هو التحدي الجوهري لبناء وكلاء يمكنهم الاستنتاج بناءً على الرسوم البيانية للمعرفة (knowledge graphs)، وهي خرائط رقمية تربط بين الحقائق والمفاهيم وجداول البيانات. الهدف هو إنشاء نظام يمكنه العثور على المعلومات الصحيحة في شبكة ضخمة ومتغيرة من البيانات، تماماً كما يفعل الخبير البشري، بدلاً من محاولة حشر الشبكة بأكملها في مساحة ذاكرة واحدة مرهقة.

قام الباحثون في "أوبليت" (Oplit) بتطوير نظام جديد يسمى "GRA"، وهو وكيل استنتاج رسومي (Graph Reasoning Agent)، لاختبار نهج التنقل هذا مقابل منهج أكثر تقليدية. لقد بنوا بيئة مصنع محاكية، كاملة بـ "توأم رقمي" لعملياتها، بما في ذلك قواعد حول كيفية تصنيع المنتجات، وبيانات حول الطلبات، وسجلات أداء الآلات. هذه البيئة، المعروفة باسم "نموذج معرفة المصنع الموحد" (Unified Factory Knowledge Model)، تحتوي على مئات الأسئلة التحليلية التي تتطلب من النظام إيجاد إجابات محددة عن طريق ربط قطع مختلفة من المعلومات. تسأل بعض الأسئلة عن أرقام بسيطة، بينما تتطلب أسئلة أخرى من النظام فهم قواعد معقدة، مثل ما إذا كان جدول إنتاج جديد ممكناً بالنظر إلى الحالة الراهنة للمصنع. أراد الباحثون معرفة ما إذا كان الوكيل الذي يستكشف هذا المصنع الرقمي خطوة بخطوة، باستخدام مجموعة صغيرة من الأدوات العامة للبحث عن المعلومات، يمكنه أداء عمله بشكل أفضل من الوكيل الذي يتم تلقيمه دليل المصنع وقاعدة بيانات المخططات (schema) بالكامل دفعة واحدة.

اختبر الفريق ثلاث طرق مختلفة للتعامل مع هذه المهمة. الطريقة الأولى، التي يسمونها "نهج السياق الكامل" (full-context approach)، تقوم بضخ الوصف الكامل للمصنع، بما في ذلك كل الجداول والقواعد، في ذاكرة الذكاء الاصطناعي قبل أن يبدأ. هذا يشبه تسليم أمين المكتبة فهرس المكتبة بأكمله وكل كتاب في المبنى قبل طرح سؤال واحد. الطريقة الثانية تزيل الخريطة تماماً، حيث تعطي الوكيل قائمة من المستندات النصية والجداول للبحث فيها دون أي روابط بينها. أما الطريقة الثالثة، GRA، فتعطي الوكيل سبعة أدوات بسيطة: يمكنه عرض ما هو قريب منه، وقراءة تفاصيل عنصر معين، والبحث عن الكلمات، والبحث عن المعاني، وتشغيل استعلام قاعدة بيانات، والتفكير في خطة، وأخيراً تقديم إجابة. والأهم من ذلك، أن الوكيل لا يعرف أسماء الجداول أو القواعد مسبقاً؛ بل يجب عليه اكتشافها باستخدام هذه الأدوات لاستكشاف الرسم البياني.

أظهرت النتائج أن الوكيل الذي تنقل في الرسم البياني خطوة بختوة كان أكثر دقة من الوكيل الذي حاول قراءة كل شيء دفعة واحدة. في مجموعة اختبار مكونة من 258 سؤالاً، أجاب الوكيل الذي يتنقل بشكل صحيح بنسبة 88.4 بالمائة، بينما أجاب الوكيل الذي قرأ السياق الكامل بشكل صحيح بنسبة 83.3 بالمائة. والأهم من ذلك، حقق الوكيل المتنقل هذه الدقة الأعلى بينما قرأ أقل من ثلث المعلومات التي توجب على وكيل السياق الكامل معالجتها. يشير هذا إلى أنه بالنسبة للمهام المعقدة، من الأفضل رؤية أقل ولكن رؤية معلومات أكثر انتقائية. غالباً ما كان الوكيل الذي قرأ كل شيء مثقلاً بحجم النص الهائل، بينما ركز الوكيل المتنقل فقط على قطع البيانات المحددة اللازمة لحل المشكلة المطروحة.

اكتشف الباحثون أيضاً أن نجاح طريقة التنقل هذه يعتمد بشكل كبير على موثوقية الأدوات التي يستخدمها الوكيل. عندما كان نموذج الذكاء الاصطناعي جيداً في اتباع التعليمات واستخدام أدواته دون ارتكاب أخطاء، نجح نهج التنقل بشكل جيد جداً. ومع ذلك، عندما واجه النموذج صعوبة في استخدام الأدوات بشكل صحيح، اختفى التفوق، وكان النهج الذي يقرأ كل شيء دفعة واحدة يؤدي بشكل أفضل. يشير هذا إلى أن فائدة التنقل في الرسم البياني تأتي من القدرة على جلب ما هو مطلوب بالضبط، ولكن هذا لا يعمل إلا إذا أمكن الوثوق بالوكيل في جلب المعلومات بشكل صحيح. وجدت الدراسة أن هيكل الرسم البياني نفسه لم يكن السبب الرئيسي للتحسن؛ بل جاء التحسن من فعل الوصول الانتقائي للمعلومات. حتى عندما تمت إزالة الرسم البياني وبحث الوكيل في نصوص مسطحة، فإنه لا يزال يتفوق على طريقة السياق الكامل، مما يثبت أن المفتاح كان استراتيجية البحث عن المعلومات وليس قراءة كل شيء.

ولإظهار كيف يعمل هذا في سيناريو من الواقع العملي، أظهر الباحثون كيف تعامل الوكيل مع طلب من مشغل المصنع. سأل المشغل عما إذا كان يمكن اتباع قاعدة محددة: وهي أن الأطر الألومنيوم يجب أن تُلحم في إحدى محطتين محددتين يوم الاثنين. لم يعرف الوكيل الإجابة فوراً. بدأ بالبحث عن محطات اللحام في الخريطة الرقمية. وجد أن إحدى المحطات مخصصة في الواقع للحام الأطر الكربونية فقط، وهي قاعدة لم تكن واضحة من طلب المشغل ولكنها كانت مخزنة في الرسم البياني. أدى هذا فوراً إلى استبعاد أحد الخيارات. ثم فحص الوكيل المحطة الأخرى وحسب ما إذا كان لديه الوقت الكافي للتعامل مع عبء العمل. قارن تقديرات الوقت القياسية مع البيانات التاريخية الفعلية ووجد أن العمل الحقيقي يستغرق وقتاً أطول مما هو متوقع، مما يجعل الطلب مستحيلاً للتنفيذ في ذلك اليوم. قدم الوكيل رفضاً واضحاً، موضحاً سببين محددين لعدم إمكانية اتباع القاعدة، بل واقترح أيضاً طريقتين لإصلاح الجدول الزمني.

في مثال ثانٍ، سأل مشغل عما إذا كان من الممكن تحديد عدد تغييرات الألوان في خط التجميع إلى ثلاث مرات لكل نوبة عمل. تنقل الوكيل مرة أخرى في الرسم البياني للعثور على تعريف النوبة وسجلات الإنتاج السابقة. أعاد تشغيل تاريخ عشرة أشهر ليرى كم مرة تم تجاوز هذا الحد. وجد أنه في عدد قليل من الأيام، تم تجاوز الحد، ولكن ليس بشكل متكرر يجعل القاعدة مستحيلة الاعتماد. استنتج الوكيل أن القاعدة قابلة للتنفيذ ولكنها تحمل مخاطر موسمية صغيرة. وبمجرد أن أكد المشغل ذلك، قام النظام تلقائياً بترجمة القاعدة إلى صيغة رياضية يمكن لمحلل حاسوبي استخدامها لإدارة جدول المصنع، ثم سجل هذه القاعدة الجديدة في الرسم البياني الرقمي للاستخدام المستقبلي.

يُظهر هذا العمل أن الذكاء الاصطناعي يمكنه إدارة المعرفة الصناعية المعقدة بفعالية من خلال العمل كـ "محقق ماهر" بدلاً من "قارئ سلبي". من خلال استخدام مجموعة من الأدوات البسيطة لاستكشاف شبكة مهيكلة من الحقائق، يمكن للنظام الإجابة على الأسئلة الصعبة بدقة وكفاءة أكبر من محاولة معالجة كل شيء دفعة واحدة. تظهر الدراسة أن رؤية أقل، ولكن رؤيتها بغرض محدد، تسمح للوكيل بالإجابة بشكل أفضل. هذا النهج قيم بشكل خاص مع نمو مجموعات البيانات وزيادة تعقيدها، لتصبح في النهاية أكبر من أن تتسع في مساحة ذاكرة واحدة. في هذه الحالات، تصبح القدرة على التنقل واسترجاع معلومات محددة هي المسار الوحيد الممكن لاتخاذ قرارات ذكية. ويخلص الباحثون إلى أن الخطوة التالية هي تحسين النظام بحيث لا يكتفي فقط بالحكم على مدى إمكانية تطبيق قاعدة ما، بل يمكنه أيضاً كتابة الكود البرمحي اللازم لإنفاذها تلقائياً، مما يغلق الحلقة بين التعليمات البشرية والتنفيذ الآلي.