تُعد بيانات السجلات الحدثية (Event Log Data) واحدة من أهم الأصول في خدمات الرقمية الحديثة، حيث تسجل هذه البيانات كل حركات المستخدمين والأحداث في الأنظمة. ولكن مع التحديات المعقدة المرتبطة بالسجلات الصناعية—من حيث الحجم الكبير، الأبعاد العالية، تنوع أنواع البيانات، والهياكل الزمانية أو العلائقية—تظهر صعوبات كبيرة في عمليات هندسة الميزات (Feature Engineering).

تتمتع الأساليب الحالية لهندسة الميزات الآلية، مثل نماذج التعلم الآلي الأوتوماتيكية (AutoML) أو الأساليب الجينية، بالعديد من العيوب مثل قلة الشرح، العمليات المحددة مسبقًا، وقلة القدرة على التكيف مع بيانات متباينة ومعقدة.

لذا، تم تقديم نظام FELA (نظام الوكلاء المتعددة لهندسة الميزات) كحل مبدع لهذه التحديات، حيث يستخرج ميزات ذات معنى وأداء عالٍ من بيانات السجلات الصناعية المعقدة بشكل تلقائي.

يجمع نظام FELA بين القدرات العقلانية والبرمجية لنماذج لغوية ضخمة (Large Language Models) ونموذج التطور الذاتي المدعوم برؤية. تعتمد عملية FELA على وكلاء متخصصين: وكلاء الأفكار (Idea Agents)، وكلاء الشيفرات (Code Agents)، ووكلاء النقد (Critic Agents)، الذين يعملون تعاونياً لتوليد، والتحقق، وتنفيذ أفكار الميزات الجديدة. يقوم وكيل التقييم (Evaluation Agent) بجمع الملاحظات وتحديث قاعدة بيانات معرفية هرمية ونظام ذاكرة مزدوجة لتحسين مستمر.

علاوة على ذلك، يتضمن FELA خوارزمية تطور وكيل تجمع بين مبادئ التعلم التعزيزي (Reinforcement Learning) والخوارزمية الجينية (Genetic Algorithm) لتحقيق توازن بين الاستكشاف والاستغلال في فضاء الأفكار.

أظهرت التجارب الواسعة على مجموعات بيانات صناعية حقيقية أن FELA يستطيع توليد ميزات قابلة للشرح وذات صلة بالمجال، مما يحسن أداء النماذج بشكل ملحوظ ويقلل من الجهد اليدوي.

تسلط نتائجنا الضوء على إمكانية استخدام الأنظمة متعددة الوكلاء المستندة إلى نماذج لغوية ضخمة كإطار عام لهندسة الميزات بشكل آلي، قابل للشرح، وقابل للتكيف في بيئات العالم الحقيقي المعقدة.