Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing
تقدم هذه الورقة "الإثراء-الاسترجاع-التصنيف" (Enrich-Retrieve-Rank)، وهو مسار قابل للتوسع لاكتشاف القدرات يستبدل التوجيه داخل السياق غير الفعال بنهج إثراء غير متصل بالإنترنت واسترجاع ثم تصنيف متصل بالإنترنت، مما يظهر دقة أعلى بكثير وتكاليف أقل من الطرق المرجعية مع نمو أنظمة الوكلاء من مئات إلى آلاف المكونات.
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 بسرعة، ظهر جيل جديد من الأنظمة التي لا تكتفي فقط بالإجابة على الأسئلة، بل تنفذ المهام أيضاً. هذه الأنظمة، التي تُسمى غالباً "الوكلاء" (agents)، تعمل كمساعدين رقميين يمكنهم تصفح الويب، أو كتابة الأكواد البرمجية، أو إدارة سير عمل معقد. وللقيام بذلك، تعتمد هذه الأنظمة على مكتبة واسعة من الأدوات الرقمية، والمهارات، والوكلاء الآخرين، تماماً كما يعتمد العامل البشري على صندوق أدوات يحتوي على مطارق، ومفكات براغي، وبرمجيات متخصصة. ومع نمو هذه الأنظمة البيئية، أصبحت الآن تحتوي على آلاف القدرات المتميزة. ويتمثل التحدي المركزي لهذه الأنظمة الذكية في "الاكتشاف": فعند مواجهة مهمة محددة، كيف يعرف النظام أي أداة يختار من مكتبة قد تحتوي على آلاف الخيارات؟ لفترة طويلة، كان النهج القياسي هو ببساطة عرض القائمة الكاملة للأدوات المتاحة للذكاء الاصطناعي وطلب الاختيار منه. نجحت هذه الطريقة عندما كانت القائمة قصيرة، ولكن مع توسع المكتبات لتصل إلى الآلاف، بدأت الأنظمة تعاني، وغالباً ما فشلت في العثور على الأداة المناسبة أو أهدرت الوقت والموارد في تجربة الأدوات الخاطئة.
سعى فريق من الباحثين في "أمازون إيه جي آي" (Amazon AGI) لحل مشكلة التوسع هذه عبر إعادة تصور كيفية بحث هذه الأنظمة عن القدرات. لقد عاملوا المشكلة ليس كعملية اختيار بسيطة، بل كاستعلام في محرك بحث. فبدلاً من إجبار الذكاء الاصطناعي على قراءة قائمة ضخمة وغير منظمة من كل الأدوات المتاحة، قاموا ببناء مسار عمل يقوم أولاً بتنظيم المعلومات ثم استرجاع الخيارات الأكثر صلة قبل اتخاذ القرار النهائي. تبدأ العملية بخطوة "خارج الخط" (offline step) حيث يأخذ النظام الأوصاف الموجزة والفقيرة لكل أداة ويعيد كتابتها في ملفات تعريف غنية وتفصيلية. يتم ذلك مرة واحدة عند إضافة أداة إلى المكتبة، مما ينشئ سجلاً قابلاً للبحث يتضمن ملخصاً، وكلمات رئيسية محددة، وأمثلة على كيفية استخدام الأداة. وعندما يطرح المستخدم سؤالاً، لا يطلب النظام من الذكاء الاصطناعي التخمين من كامل المكتبة، بل يبحث بسرعة في هذا الفهرس المُثري لاستخراج قائمة قصيرة من المرشحين الأكثر احتمالاً، ثم يستخدم عملية فحص نهائية مركزة لترتيبهم.
اختبر الباحثون هذا النهج مقابل الطريقة التقليدية المتمثلة في عرض القائمة بأكملها للذكاء الاصطناعي، والمعروفة باسم "التوجيه داخل السياق" (in-context routing). ووجدوا أنه مع نمو المكتبة، انهارت الطريقة التقليدية. فعندما كانت المكتبة تحتوي على عشر أدوات فقط، كان النظام صحيحاً بنسبة خمسة وثمانين بالمائة. ومع ذلك، عندما نمت المكتبة لتصل إلى ما يقرب من سبعة آلاف أداة، انخفضت دقة الطريقة التقليدية إلى اثني عشر بالمائة فقط؛ إذ أصبح النظام مثقلاً بحجم المعلومات الهائل الذي يتعين عليه معالجته في آن واحد. وفي المقابل، تعامل مسار "البحث والترتيب" الجديد مع هذا النمو بشكل أكثر سلاسة؛ فبينما انخفضت دقته أيضاً مع نمو المكتبة، إلا أنها ظلت أعلى بكert بشكل ملحوظ، حيث هبطت إلى تسعة وثلاثين بالمائة عند أكبر مقياس. والأهم من ذلك، اكتشف الباحثون نقطة تحول حول خمسمائة أداة؛ فدون هذا العدد، كانت الطريقة القديمة المتمثلة في عرض القائمة كاملة تعمل بشكل جيد، أما فوق هذا العدد، فقد أصبح النهج الجديد القائم على البحث ضرورياً، حيث تفوق على الطريقة القديمة بفارق كبير.
كشفت الدراسة أيضاً أن النظام الجديد كان أكثر كفاءة بكثير. فمن خلال استرجاع قائمة قصيرة أولاً، استخدم النظام تقريباً نصف الموارد الحوسبية المطلوبة من قبل الطريقة التقليدية مقارنة بنظام يبحث عن المرشحين واحداً تلو الآخر. وعند مقارنته بالطريقة التي تعرض القائمة بأكملها، قلل النهج الجديد التكاليف بمعامل قدره سبعون. وتعد هذه الكفاءة أمراً حيوياً لأن كل مرة يحاول فيها الذكاء الاصطناعي تجربة أداة ويفشل، فإنه يستهلك طاقة حوسبية ووقتاً، وفي بعض الحالات، قد يؤدي ذلك حتى إلى تفعيل إجراء على نظام غير موثوق لمجرد معرفة ما يفعله. ويتجنب مسار العمل الجديد هذه المحاولات الضائعة عبر تصفية الخيارات غير ذات الصلة قبل اتخاذ أي إجراء.
كان أحد النتائج الرئيسية للبحث هو أن التحسن جاء أساساً من خطوة الاسترجاع، وليس من خطوة الترتيب النهائي. فقدرة النظام على العثور على الأداة الصحيحة في البحث الأولي كانت هي العائق الرئيسي. فحتى عندما وجد محرك البحث الأداة الصحيحة، كانت خطوة الترتيب النهائي موثوقة للغاية، حيث وضعت الخيار الأفضل في مقدمة القائمة بنسبة تتراوح بين سبعين وثمانية وثمانين بالمائة، بغض النظر عن حجم المكتبة. وهذا يشير إلى أن مستقبل هذه الأنظمة يعتمد أقل على جعل صانع القرار النهائي أكثر ذكاءً، وأكثر على بناء محركات بحث أفضل يمكنها التعامل مع مكتبات ضخمة من الأدوات. كما لاحظ الباحثون أن هذا النهج يعمل بشكل أفضل عندما تكون الأوصاف الأولية للأدوات شحيحة أو غير مكتملة؛ فبالنسبة للمكتبات التي تمتلك بالفعل أوصافاً مفصلة جداً، لم تقدم خطوة إعادة كتابة المعلومات فائدة تذكر. ومع ذلك، بالنسبة للمكتبات الواسعة والمتنامية في العالم الحقيقي حيث تكون الأوصاف غالباً موجزة، كانت خطوة الإثراء هذه حاسمة للنجاح.
قام الفريق بنشر مسار العمل هذا كطبقة اكتشاف افتراضية لمنصة متعددة الوكلاء واسعة النطاق في بيئة إنتاج فعلية. وفي هذه البيئة الواقعية، يدير النظام آلاف الوكلاء والأدوات والمهارات في وقت واحد. وقد أكدت النتائج ما توصل إليه المختبر: فقد سمح النهج القائم على البحث للنظام بالتوسع بفعالية حيث فشلت الأساليب القديمة. وأكد الباحثون أن هذا ليس تمريناً نظرياً، بل هو حل عملي لمشكلة تظهر مع ازدياد تعقيد وقدرة أنظمة الذكاء الاصطناعي. ومن خلال معاملة اكتشاف القدرات كمسألة بحث بدلاً من مسألة اختيار، قدموا مخططاً لكيفية استمرار هذه الأنظمة في النمو دون أن تفقد قدرتها على العثور على الأدوات المناسبة للوظيفة. ويُظهر هذا العمل أنه مع توسع الأنظمة البيئية للذكاء الاصطناعي، يجب أن تتطور بنية كيفية العثور على المعلومات، بالانتقال من مجرد القوائم البسيطة إلى عمليات بحث متطورة ومتعددة الطبقات يمكنها التعامل مع تعقيدات العالم الرقمي الحديث.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.