في خطوة جديدة ومثيرة في مجال الذكاء الاصطناعي، قدم الباحثون إطاراً مبتكراً يحمل اسم Agent Evolving Learning (AEL)، والذي يهدف إلى تحسين أداء الوكلاء الذكيين في البيئات المفتوحة التي تتسم بالتعقيد والتغير المستمر.

تواجه النماذج المعتمدة على نماذج اللغات الضخمة (Large Language Models) عادةً قيداً حاسماً: رغم قدرتها على حل المشكلات بشكل متسلسل، إلا أن الأداء الحالي يعتمد على التفكير من جديد في كل مهمة، دون الاستفادة من التجارب السابقة. هنا يأتي دور إطار AEL، الذي يقدم حلاً متكاملًا من خلال استخدام استراتيجيات فعّالة لاسترجاع الذاكرة.

يعتمد إطار AEL على نظام زمني مزدوج يتضمن:
1. **السرعة العالية**: حيث يتعلم نظام مشابه لنموذج Thompson Sampling أي سياسات استرجاع الذاكرة يجب تطبيقها في كل حلقة.
2. **السرعة المنخفضة**: حيث يقوم النظام المدعوم بنموذج اللغة الكبيرة بتشخيص أنماط الفشل ويضيف رؤى سببية إلى قرارات الوكيل، مما يمنحه إطاراً تفسيرياً للتجارب التي يسترجعها.

أظهرت الاختبارات التي أجريت على مجموعة بيانات تتضمن 10 رموز قطاع متنوعة و208 حلقة أن AEL حقق نسبة Sharpe بلغت 2.13±0.47، متفوقاً بذلك على خمس طرق تحسين ذاتية منشورة بالإضافة إلى جميع النماذج غير المعتمدة على نماذج اللغات الكبيرة.

أظهر التحليل الذي تم على تسع نسخ مختلفة أن الجمع بين الذاكرة والتفكير يعزز الأداء بشكل كبير، حيث حقق تحسناً تراكمياً بنسبة 58% مقارنة بالنموذج الأساسي الغير مذكور. لكن، كل إضافة مذهلة في الآليات، مثل تطوير التخطيط واختيار الأدوات، أدت إلى تقليل الأداء، مما يدل على أن العقبة الرئيسية لتطوير الوكلاء الذكيين هي كيفية استخدام التجارب بدلاً من تعقيد البناء المعماري.

هذه النتائج تبشر بمستقبل واعد لتحسين وتحسين أداء وكلاء الذكاء الاصطناعي، مما يفتح المجال للابتكارات المستقبلية في هذا المجال الديناميكي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.