Evolver: Turning Agent Exploration into Evolving Capabilities
يُعد Evolver إطار عمل قائم على الخبرة يعمل على تحويل استكشاف الوكيل العابر إلى قدرات مستمرة وقابلة لإعادة الاستخدام دون تحديث معاملات النموذج التأسيسي، مما يؤدي إلى تحسين معدلات نجاح المهام وكفاءة التنفيذ عبر معايير قياسية متعددة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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، تبرز فئة متنامية من البرامج تُعرف باسم "الوكلاء" (agents). وبخلاف برامج الدردشة البسيطة التي تجيب على الأسئلة، صُمم هؤلاء الوكلاء لاتخاذ إجراءات فعلية؛ إذ يمكنهم فتح الملفات، وتشغيل الأكواد، والبحث في الإنترنت، والتفاعل مع بيئات رقمية معقدة لحل مشكلات متعددة الخطوات، تماماً كما يفعل مهندس أو باحث بشري. ولكي ينجح هؤلاء الوكلاء، يتعين عليهم استكشاف محيطهم، وتجربة أدوات مختلفة، والتعلم من أخطائهم. ومع ذلك، ظهرت عقبة كبيرة: ففي كل مرة يحل فيها الوكيل مشكلة صعبة، تضيع الدروس القيمة التي تعلمها؛ فبمجرد انتهاء المهمة، يتم التخلص من السجل التفصيلي لكيفية كفاحه، وما جربه، وما نجح في النهاية. وفي المرة التالية التي تظهر فيها مشكلة مماثلة، يبدأ الوكيل من الصفر، مكرراً نفس الجهود الاستكشافية ومبدداً الموارد الحسابية. والسؤال الجوهري الذي يواجه الباحثين هو كيفية التقاط هذه التجربة العابرة وتحويلها إلى مورد دائم يساعد الوكيل على التحسن بمرور الوقت، دون الحاجة إلى إعادة تدريب "عقله" الأساسي بشكل جذري.
قدم فريق من الباحثين نظاماً يسمى "إيفولفر" (Evolver) لحل هذه المشكلة. وبدلاً من محاولة تغيير البرنامج الأساسي الذي يشغل الوكيل، وهي عملية صعبة ومكلفة، يعمل "إيفولفر" كبنك ذاكرة خارجي يزداد ذكاءً مع كل مهمة. يعمل النظام وفق مبدأ بسيط: تحويل التاريخ الخام والفوضوي لاستكشاف الوكيل إلى تعليمات منظمة وقابلة لإعادة الاستخدام. فعندما ينهي الوكيل مهمة ما، يقوم "إيففر" بتحليل الجلسة لاستخراج الاستراتيجيات الأكثر فائدة، ثم يقوم بتغليف هذه الاستراتيجيات في وحدات مهيكلة يطلق عليها الباحثون اسم "أصول جينية" (Gene assets). وهذه ليست شفرات جينية بالمعنى البيولوجي، بل هي أوصاف موجزة وواضحة لإجراء معين، تتضمن بدقة متى يجب استخدامها وما هي الخطوات التي تنطوي عليها. كما يحتفظ النظام بسجل للمحاولات الفاشلة، مما يخلق قائمة بالأشياء التي يجب تجنبها، لضمان عدم تكرار الوكيل للأخطاء الماضية.
تكمن القوة الحقيقية لـ "إيفولفر" في كيفية استخدامه لهذا المعرفة المتراكمة. فعند وصول مهمة جديدة، لا يترك النظام الوكيل يتخبط بعشوائية، بل يبحث في مكتبته من "الأصول الجينية" لإيجاد استراتيجيات ذات صلة تناسب الوضع الحالي، ثم يغذي هذه التعليمات في سير عمل الوكيل، مما يوجه قراراته قبل أن يبدأ في التنفيذ. وتتم هذه العملية دون تغيير البرمجة الأساسية للوكيل؛ فالوكيل يبقى كما هو، لكنه يصبح الآن مجهزاً بمجموعة منتقاة من الحكمة التاريخية التي تساعده على التنقل في المشكلة بكفاءة أكبر. وقد اختبر الباحثون هذا النهج باستخدام نوعين مختلفين من وكلاء البرمجة المتقدمة وأربعة معايير اختبار متميزة تقيس الأداء في مجالات مثل إصلاح البرمجيات وعمليات الطرفية (terminal operations). وقارنوا أداء الوكلاء أثناء العمل بمفردهم مقابل أدائهم عند الاستعانة بمكتبة "إيفولفر" من التجارب السابقة.
تشير النتائج إلى أن هذه الطريقة في تحويل الاستكشاف إلى تطور فعالة للغاية. ففي مجموعة من 320 اختباراً مزدوجاً، نجح الوكلاء الذين استخدموا "إيفولفر" في إكمال المهام بنسبة أكبر من أولئك الذين عملوا بمفردهم، حيث ارتفع معدل النجاح من 83.13% إلى 87.50%. وكان هذا التحسن ثابتاً عبر مختلف أنواع المهام ومختلف نماذج الوكلاء الأساسية. ولعل الأمر الأكثر إثارة للدهشة هو المكاسب في الكفاءة؛ فقد استخدم الوكلاء الموجهون بواسطة "إيفولفر" موارد حسابية أقل بكثير للوصول إلى أهدافهم. ففي المتوسط، انخفضت كمية البيانات المعالجة، مقاسة بالرموز (tokens)، بنسبة 24.24%. ولم يكن هذا الانخفاض مجرد نتيجة ثانوية للفشل الأقل، بل حتى في الحالات التي نجح فيها كل من الوكلاء الموجهين وغير الموجهين، كان النسخة الموجهة تستخدم موارد أقل بنسبة 17.57%. وهذا يشير إلى أن الخبرة التاريخية ساعدت الوكلاء في العثور على مسارات أقصر وأكثر مباشرة للحل، متجنبين التعقيدات غير الضرورية والحسابات المتكررة.
وقد أوضح الباحثون هذه المكاسب بأمثلة محددة. ففي مهمة تتعلق بعدّ رموز البيانات، أتم الوكيل المدعوم بـ "إيفولفر" المهمة باستخدام موارد أقل بنسبة 86.5%، وقام بعدد محاولات أقل بكثير لاستدعاء نموذج الذكاء الاصطناعي مقارنة بنظيره غير المدعوم. وفي حالة أخرى تتعلق بخلل برمجي معقد، حل الوكيل الموجه المشكلة باستخدام بيانات أقل بنسبة 58.2%. وتثبت هذه الحالات أن النظام لا يساعد الوكلاء على النجاح فحسب حيث قد يفشلون لولا وجوده، بل يساعدهم أيضاً على النجاح ببراعة وسرعة أكبر. وتخلص الدراسة إلى أنه من خلال التعامل مع الاستكشاف السابق كأصل مستدام وقابل لإعادة الاستخدام، من الممكن إنشاء وكلاء يطورون قدراتهم باستمرار. ويقدم هذا النهج مساراً عملياً، مما يسمح لأنظمة الذكاء الاصطناعي بالتعلم من تاريخها وتطوير مهاراتها دون التكلفة الباهظة لإعادة تدريب نماذجها الأساسية، محولةً بذلك كل مهمة مكتملة إلى حجر زاوية للمهمة التالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.