StarHarness: Evolving Harnesses with Stratified Search for Enterprise Environments

في عالم الحوسبة الحديثة، تبرز فئة متنامية من البرامج الذكية تُعرف باسم "الوكلاء" (agents). هذه ليست مجرد أدوات بسيطة تتبع أمراً واحداً؛ بل هي أنظمة مصممة للتفكير، والاطلاع على المعلومات، واتخاذ الإجراءات لحل المشكلات المعقدة، تماماً كما يفعل الموظف البشري. ولكي تعمل هذه الوكلاء، فإنها تعتمد على جزأين متميزين: الأول هو "الدماغ"، وهو نموذج لغوي كبير يوفر القدرة على التفكير والمعرفة. والثاني هو "الحزام" (harness)، الذي يعمل بمثابة يدي وعيني وأذني الوكيل. يحدد الحزام كيف يرى الوكيل العالم، وما هي الأدوات المسموح له باستخدامها، وكيف يتحقق من عمله. لسنوات طويلة، ركز العلماء بشكل شبه كامل على جعل الدماغ أكبر وأذكى. ومع ذلك، في بيئات العمل الواقعية المليئة بالتعقيدات والقواعد، يمكن للدماغ العبقري أن يفشل إذا كانت يداه خرقاء أو إذا لم يفهم القواعد المحددة للمكتب الذي يعمل فيه. وهذا يطرح سؤالاً عملياً: إذا كنا لا نستطيع تغيير الدماغ، فهل يمكننا تحسين اليدين والقواعد لجعل الوكيل يعمل بشكل أفضل؟

وضع فريق من الباحثين في شركة "سيرف ناوس" (ServiceNow)، بالتعاون مع مؤسسات أكاديمية، هدفهم للإجابة على هذا السؤال من خلال إطار عمل جديد يسمى "ستار هارنيس" (StarHarness). لقد ركزوا على تحدٍ محدد يوجد في بيئات المؤسسات، حيث يجب على البرمجيات إدارة أمور مثل أنظمة تكنولوجيا المعلومات، وسير العمل المالي، وسجلات خدمة العملاء. في هذه البيئات، يجب على البرمجيات التفاعل مع قواعد بيانات وأدوات ذات قواعد صارمة، وغالباً ما تكون مخفية. أراد الباحثون معرفة ما إذا كان بإمكانهم تحسين "حزام" الوكيل تلقائياً دون المساس بـ "الدماغ" الأساسي. لقد عاملوا الحزام كقطعة من الكود البرمجي التي يمكن تطويرها، أو تحسينها، من خلال عملية التجربة والخطأ. وكان الهدف هو إيجاد طريقة أفضل ليقوم الوكيل بصياغة مهامه، واستخدام أدواته، والتحقق من نتائجه، كل ذلك مع إبقاء الأوزان الداخلية للنموذج ثابتة تماماً.

ولاختبار فكرتهم، أنشأ الباحثون نظاماً يمكنه البحث عن التحسينات بطريقة منضبطة. بدأوا بتشغيل الوكيل على مجموعة كبيرة من المهام لمعرفة أين يفشل عادةً. ثم قسموا هذه المهام إلى ثلاث مجموعات: استُخدمت مجموعة واحدة لاقتراح التغييرات، وحُفظت مجموعة أخرى سرية لاختبار ما إذا كانت التغييرات تعمل بالفعل، بينما خُصصت المجموعة الثالثة لإجراء فحص نهائي غير متحيز. كان النظام يقترح تغييراً طفيفاً على الحزام، مثل إصلاح كيفية استدعاء أداة ما أو إضافة قاعدة لمنع خطأ شائع. ثم يختبر هذا التغيير على المجموعة المخفية؛ فإذا جعل التغيير أداء الوكيل أفضل، يحتفظ به النظام، وإذا لم يفعل، يتم استبعاده. تكررت هذه العملية، مما سمح للحزام بأن يتطور ببطء ليصبح نسخة أكثر كفاءة من نفسه. استخدم الباحثون هذه الطريقة عبر ثلاثة أنواع مختلفة من تحديات الأعمال: تحليل أعطال شبكة الكمبيوتر، وإدارة طلبات خدمات تكنولوجيا المعلومات، والتعامل مع تدفقات العمل المالية.

كانت النتائج مذهلة. فبعد أن أجرى النظام عدداً قليلاً فقط من التغييرات المقبولة — عادة ما بين أربعة إلى اثني عشر تعديلاً لكل بيئة — قفز أداء الوكيل بشكل كبير. وعبر الاختبارات المرجعية، تحسن أداء الاختبار الكامل بنسبة تتراوح بين 20 إلى 35 نقطة مئوية مقارنة بالحزام الافتراضي. وتحديداً، تحسن معدل النجاح بنسبة 35 نقطة مئوية في مهام تحليل الشبكة، وارتفع بنسبة 20 نقطة مئوية في اختبارات إدارة خدمات تكنولوجيا المعلومات، وصعد بنسبة 26 نقطة مئوية في تدفقات العمل المالية. والأهم من ذلك، أن هذه التحسينات لم تكن نتيجة حفظ المشكلات المحددة التي رآها النظام أثناء التدريب. فعندما اختبر الباحثون الحزام المتطور على مهام جديدة وغير مرئية، ظل الوكيل يؤدي بشكل أفضل بكثير مما كان عليه من قبل. والمثير للدهشة أيضاً، أن التحسينات انتقلت إلى أنواع مختلفة من نماذج الذكاء الاصطنا العالمي؛ إذ إن الحزام الذي تم تطويره باستخدام عائلة نماذج معينة عمل بنفس الكفاءة عند إعطائه لعائلة نماذج مختلفة تماماً، دون الحاجة إلى أي تدريب أو تعديل إضافي.

حلل الباحثون التغييرات لفهم ما تعلمه النظام بالفعل. ووجدوا أن التحسينات تندرج تحت ثلاث فئات واضحة: أولاً، قام النظام بإصلاح الواجهات بين الوكيل وأدواته، معالجاً الأخطاء التي تسببت في استدعاء الوكيل للأدوات بشكل غير صحيح. ثانياً، تعلم الحزام الأعراف الخفية للبيئة، مثل الترتيب المحدد للخطوات التي يجب اتخاذها أو كيفية التعامل مع التواريخ والأولويات بشكل صحيح. ثالثاً، قام بضغط عملية البحث من خلال إضافة معرفة تشغيلية، مما سمح للوكيل بتخطي الخطوات غير الضرورية والتركيز على الأسباب الأكثر احتمالاً للمشكلة. على سبيل المثال، في المهام المالية، تعلم الحزام المتطور التحقق من انتهاكات السلامة قبل إجراء أي تغييرات، مما قلل عدد الأخطاء بشكل كبير. وفي مهام تحليل الشبكة، تعلم الوكيل التوقف عن البحث بمجرد العثور على سبب محتمل، بدلاً من إضاعة الوقت في البحث عن أدلة إضافية لم تكن مطلوبة.

تشير هذه النتائج إلى أنه بالنسبة للعديد من تطبيقات الأعمال في العالم الحقيقي، فإن العائق الأكبر أمام النجاح ليس ذكاء النموذج، بل تصميم النظام الذي يوجهه. ومن خلال تطوير الحزام، تمكن الباحثون من تقليل عدد التشخيصات الخاطئة، وتقصير الوقت المستغرق لإكمال المهام، وخفض تكلفة تشغيل الوكيل. وتثبت الدراسة أن "دماغًا" ثابتاً وغير متغير يمكن أن يصبح أكثر فاعلية بشكل ملحوظ عندما يتم ضبط الأدوات والقواعد المحيطة به بعناية لتناسب البيئة التي يعمل فيها. وهذا يقدم مساراً عملياً للمؤسسات التي تحتاج إلى وكلاء ذكاء اصطناي موثوقين اليوم، دون انتظار الجيل القادم من النماذج الأكبر حجماً. إن العمل يظهر أنه في بعض الأحيان، لا يكون التحديث الأقوى هو عقل جديد، بل طريقة عمل أفضل.