AgentWeave: Routing Before Reasoning for Efficient Function Calling in Tool-Rich Language Models
يقدم AgentWeave طبقة توجيه حتمية تسبق عملية الاستدلال، تعمل على تحسين معدلات نجاح استدعاء الدوال بشكل كبير وتقليل العبء الحسابي للنماذج اللغوية الغنية بالأدوات من خلال تصفية فضاء الإجراءات المرشحة قبل استدلال النموذج، حتى عند استخدام نموذج ثابت صغير النطاق.
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 عالمنا الرقمي الحديث، تطور الذكاء الاصطناعي من مجرد روبوت دردشة بسيط إلى مساعد قادر على التواصل واستخدام برامج حاسوبية أخرى. تخيل أنك تطلب من مساعد رقمي التحقق من حالة الطقس، وحجز رحلة طيران، وتلخيص مقال إخباري. للقيام بذلك، يجب على المساعد أن يعرف كيفية التحدث إلى خدمة الطقس، ونظام حجز تابع لشركة طيران، وقاعدة بيانات إخبارية. تُسمى هذه الروابط أدوات أو وظائف. ومع زيادة فائدة هؤلاء المساعدين، ينمو قائمة الأدوات التي يمكنهم الوصول إليها لتصل إلى الآلاف. ومع ذلك، هناك مشكلة: إذا عرضت على الكمبيوتر خيارات كثيرة جدًا في وقت واحد، فقد يصاب بالارتباك. قد يكافح لإيجاد الأداة الصحيحة وسط الضجيج، أو قد يشعر بالإرهاق بسبب الكم الهائل من النصوص التي يتعين عليه قراءتها لفهم ما تفعله كل أداة. وهذا يخلق عنق زجاجة حيث كلما أصبح النظام أكثر قوة، أصبح من الصعب على "عقل" النظام اتخاذ قرار واضح.
وضع الباحثون سوراف سينجلا، وآراف سينجلا، وأدविक غوبتا، وبارنيكا غوبتا، هدفاً لحل هذه المشكلة تحديداً. فقد اقترحوا طريقة جديدة لتنظيم كيفية رؤية أنظمة الذكاء الاصطناعي هذه للأدوات المتاحة لها. فبدلاً من ترك عقل الذكاء الاصطناعي ينظر إلى كل أداة في المكتبة بأكملها في وقت واحد، قاموا ببناء مرشح (فلتر) يوضع أمام العقل. هذا المرشح، الذي أطلقوا عليه اسم "AgentWeave"، يعمل كحارس بوابة. فقبل أن يحاول الذكاء الاصطناعي التفكير في مهمة ما، يقوم هذا الحارس بالنظر في الطلب وقائمة جميع الأدوات الممكنة، ثم يقرر أي الأدوات ذات صلة بالمهمة المحددة وأيها يمكن تجاهله بأمان. والهدف هو تقديم مجموعة صغيرة ومقدور عليها من الخيارات للذكاء الاصطناعي بدلاً من الكتالوج الضخم بأكمله. أراد الباحثون معرفة ما إذا كان هذا الفعل البسيط المتمثل في تضييق الخيارات قبل بدء التفكير سيساعد الذكاء الاصطناعي على اتخاذ قرارات أفضل، حتى لو لم يتم تغيير الذكاء الاصطناعي نفسه أو تحسينه بأي طريقة أخرى.
لاختبار هذه الفكرة، صمم الفريق تجربة منضبطة باستخدام مجموعة معيارية من المهام الصعبة. أخذوا نموذج ذكاء اصطناعي محدد وخفيف الوزن وأعطوه سلسلة من التحديات المعقدة المكونة من ثمانٍ وأربعين تحدياً. في كل تحدٍ، كان على الذكاء الاصطناعي اختيار الأدوات الصحيحة من بين ستة عشر خياراً ممكناً لإكمال المهمة. أجروا هذا الاختبار أربع مرات باستخدام نفس نموذج الذكاء الاصطناعي تماماً، مع تغيير طريقة عرض الأدوات فقط. في السيناريو الأول، رأى الذكاء الاصطناعي جميع الأدوات الستة عشر. وفي الثاني، اختار الكمبيوتر ثماني أدوات بشكل عشوائي لعرضها على الذكاء الاصطناعي. وفي الثالث، استخدم الكمبيوتر طريقة قياسية لإيجاد أدوات مشابهة لاختيار ثماني أدوات. وفي السيناريو الرابع، تم استخدام مرشح "AgentWeave" لاختيار مجموعة صغيرة ومحددة من الأدوات بناءً على ما تتطلبه المهمة بالفعل.
كانت النتائج مذهلة. فعندما أُجبر الذكاء الاصطناعي على النظر في جميع الأدوات الستة عشر، أو عندما عُرضت عليه مجموعة ثمانية أدوات عشوائية أو متشابهة دلالياً، فشل في إكمال أي من المهام الثمانية والأربعين؛ إذ لم يستطع ببساطة العثور على الإجابة الصحيحة وسط الفوضى. ومع ذلك، عندما استُخدم مرشح "AgentWeave" لتنسيق القائمة، نجح الذكاء الاصطناعي في إكمال ست مهام من أصل ثمانٍ وأربعين مهمة. ورغم أن ست مهام من أصل ثمانٍ وأربعين لا تزال رقماً صغيراً، إلا أنها كانت المرة الوحيدة التي نجح فيها الذكاء الاصطناعي على الإطلاق. وجد الباحثون أن الذكاء الاصطناعي لم يكن يخمن فحسب، بل كان يؤدي بشكل أفضل لأنه كان ينظر إلى مجموعة معلومات أكثر نظافة وتركيزاً. لقد قلل المرشح عدد الأدوات التي يتعين على الذكاء الاصطناعي رؤيتها بنحو سبعين بالمائة، مما يعني أيضاً أن الذكاء الاصطناعي اضطر لقراءة نص أقل بكثير. وقد سمح هذا التقليل في عبء القراءة للذكاء الاصطناعي بمعالجة المهمة في نصف الوقت الذي استغرقه عندما كان مثقلاً بالقائمة الكاملة.
والأهم من ذلك، كشفت الدراسة أن مجرد إبقاء المزيد من الأدوات متاحة لا يضمن النجاح. فأحد أساليب المقارنة، الذي استخدم تقنية قياسية للعثور على أدوات مشابهة، احتفظ في الواقع بمزيد من الخيارات الأصلية مقارنة بمرشح "AgentWeave". ومع ذلك، فشل ذلك الأسلوب تماماً. وهذا يشير إلى أن السر لم يكن فقط في الاحتفاظ بالأدوات الصحيحة، بل في إزالة الأدوات الخاطئة. عمل مرشح "AgentWeave" من خلال استبعاد البدائل المربكة التي قد تشتت انتباه الذكاء الاصطناعي، مما خلق مساراً أوضح للحل. وقد لاحظ الباحثون بعنا_ية أن هذا كان اختباراً محدداً تحت ظروف صارمة وليس دليلاً نهائياً على أن النظام يعمل بشكل مثالي في كل موقف. كما أكدوا أن نموذج الذكاء الاصطناعي الذي استخدموه كان صغيراً، وأن معدل النجاح، رغم كونه تحسناً، لا يزال منخفضاً.
تكمن أهمية هذا العمل في تغيير طريقة تفكيرنا في بناء الأنظمة الذكية. لفترة طويلة، كان التركيز منصباً على جعل عقل الذكاء الاصطناعي أكثر ذكاءً أو تدريبه على المزيد من البيانات. تشير هذه الورقة إلى أن نهجاً أكثر ذكاءً قد يكون في تنظيم المعلومات التي يتلقاها العقل قبل أن يبدأ في التفكير. ومن خلال معاملة عملية اختيار الأدوات كخطوة منفصلة عن عملية الاستنتاج، يمكن للمطورين جعل نماذج الذكاء الاصطناعي الحالية أكثر كفاءة وفعالية دون الحاجة إلى إعادة بنائها من الصفر. تقدم الدراسة دليلاً ملموساً على أن الطريقة التي تُعرض بها الخيارات للذكاء الاصطناعي تهم بقدر ما يهم الذكاء نفسه. إنها توضح أن القليل من التصنيف الدقيق قبل بدء العمل يمكن أن يحدث فرقاً كبيراً في ما إذا كان العمل سيُنجز أم لا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.