في عالم الذكاء الاصطناعي، تعتبر توليد الميزات (Feature Generation) خطوة حاسمة تُحقق دقتها وعمليتها من خلال استخراج معلومات قيمة من البيانات الجدولية دون الحاجة إلى تدخل يدوي. إلا أن الأساليب التقليدية غالباً ما تعتمد على مكتبات عمليات محددة مسبقًا، مما يحد من قدرتها على إنتاج ميزات متنوعة وقيمة للمشاريع المعقدة.

مؤخراً، ظهرت تقنيات جديدة تعتمد على نماذج لغوية ضخمة (Large Language Models) لتقديم إشارات دلالية أكثر غنى، لكنها لا تزال تعاني من تناقص مساحة الميزات بسبب أنماط التوليد الثابتة وعدم وجود تغذية راجعة من الأهداف التعليمية.

لذا، نقدم اليوم نظام MALMAS (نظام متعدد الوكلاء المعزّز بالذاكرة) الذي يمثل إنجازاً في توليد الميزات تلقائياً. يقوم هذا النظام بتقسيم عملية التوليد إلى وكلاء يمتلك كل منهم مسؤوليات خاصة، حيث يقوم وكيل التوجيه (Router Agent) بتفعيل مجموعة مناسبة من الوكلاء في كل دورة، مما يوسع استكشاف مساحة الميزات.

علاوة على ذلك، يتضمن MALMAS وحدة ذاكرة تضم ذاكرة إجرائية، وذاكرة تغذية راجعة، وذاكرة مفاهيمية، مما يمكن النظام من تحسين الأداء بشكل تدريجي، ويعزز من جودة وتنوع الميزات المولدة.

أظهرت التجارب المكثفة على عدة مجموعات بيانات عامة فعالية هذا النظام مقارنة بأساليب حديثة أخرى. يمكنكم الوصول إلى الكود المصدر لتجربة هذا الابتكار بأنفسكم عبر الرابط: [MALMAS على GitHub](https://github.com/fxdong24/MALMAS).

ما رأيكم في تقدم الذكاء الاصطناعي وتأثيره على تحليل البيانات؟ شاركونا آرائكم في التعليقات!