ما المقصود بالاستدلال الوكيلي؟

كانت نماذج التعلم الآلي في السابق تتَّبِع مجموعة من القواعد المبرمجة مسبقًا للوصول إلى قرار. وقد أدى التطور في الذكاء الاصطناعي إلى ظهور نماذج ذكاء اصطناعي تتمتع بقدرات استدلال أكثر تطورًا، لكنها لا تزال بحاجة إلى تدخل بشري لتحويل المعلومات إلى معرفة. يخطو الاستدلال الوكيلي خطوة أبعد، إذ يمكِّن وكلاء الذكاء الاصطناعي من تحويل المعرفة إلى أفعال.

يُعَد "محرك الاستدلال" المسؤول عن تشغيل مرحلتي التخطيط واستدعاء الأدوات ضمن سير العمل الوكيلي. يعمل التخطيط على تجزئة المهمة إلى أجزاء استدلالية أكثر قابلية للإدارة، في حين يساهم استدعاء الأدوات في دعم قرارات وكيل الذكاء الاصطناعي باستخدام الأدوات المتاحة. يمكن أن تشمل هذه الأدوات واجهات برمجة التطبيقات (APIs)، ومجموعات البيانات الخارجية، ومصادر البيانات مثل الرسوم البيانية المعرفية.

بالنسبة إلى الأعمال، يمكن للذكاء الاصطناعي الوكيل تعزيز عملية الاستدلال بالأدلة من خلال تقنية التوليد المعزز بالاسترجاع (RAG). يمكن لأنظمة RAG استرداد بيانات المؤسسة والمعلومات الأخرى ذات الصلة التي يمكن إضافتها إلى سياق وكيل الذكاء الاصطناعي للاستدلال.

يمكن التعامل مع الاستدلال الوكيلي بطرق مختلفة بناءً على بنية الوكيل ونوعه. فيما يلي بعض التقنيات الشائعة لاستدلال وكيل الذكاء الاصطناعي، بما في ذلك إيجابيات وسلبيات كلٍّ منها:

    ● المنطق الشرطي

    ● الاستدلالات التقريبية (Heuristics)

    ● ReAct (الاستدلال والعمل)

    ● ReWOO (الاستدلال دون قابلية ملاحظة)

    ● التأمل الذاتي

    ● الاستدلال متعدد الوكلاء

يتَّبِع وكلاء الذكاء الاصطناعي البسطاء مجموعة من قواعد "الشرط-الفعل" المبرمجة مسبقًا. وغالبًا ما تكون هذه القواعد على شكل عبارات "إذا... فإن"، حيث يحدِّد جزء "إذا" الشرط، بينما يوضح جزء "فإن" الإجراء المطلوب. وعند تحقق الشرط، ينفِّذ الوكيل الإجراء المقابل.

تُعَد هذه المنهجية في الاستدلال مناسبة بشكل خاص لحالات الاستخدام المتخصصة في مجالات محددة. فعلى سبيل المثال في قطاع المالية، يقوم وكيل كشف الاحتيال بوضع علامة على المعاملة كاحتيالية بناءً على مجموعة من المعايير التي يحددها البنك.

باستخدام المنطق الشرطي، لا يستطيع الذكاء الاصطناعي الوكيل التصرف بشكل مناسب إذا واجه سيناريو غير معروف له. ولتقليل هذا الجمود، يستخدم الوكلاء القائمون على النماذج ذاكرتهم وإدراكهم لتخزين نموذج أو حالة محدَّثة لبيئتهم. يتم تحديث هذه الحالة عندما يتلقى الوكيل معلومات جديدة. ومع ذلك، يظل الوكلاء القائمون على النموذج مقيدين بقواعد "الشرط-الفعل" الخاصة بهم.

فعلى سبيل المثال، يتنقل روبوت في مستودع لوضع منتج على رف. يستشير نموذجًا للمستودع لتحديد المسار الذي يسلكه، ولكن عندما يشعر بعقبة، يمكنه تعديل مساره لتجنُّب هذه العقبة ومواصلة التحرك.

يمكن لوكلاء الذكاء الاصطناعي أيضًا استخدام القواعد الاستدلالية للتفكير. على سبيل المثال، يكون لدى الوكلاء القائمين على الأهداف هدف محدد مسبقًا. وباستخدام خوارزمية البحث، فإنهم يجدون تسلسلات من الإجراءات التي يمكن أن تساعدهم على تحقيق هدفهم، ثم يخططون لهذه الإجراءات قبل تنفيذها.

على سبيل المثال، يمكن لمركبة ذاتية القيادة أن تحتوي على وكيل ملاحة يكون هدفه اقتراح أسرع طريق إلى الوجهة في الوقت الفعلي. يمكنه البحث بين مسارات مختلفة والتوصية بأسرعها.

وعلى غرار الوكلاء القائمين على الأهداف، يبحث الوكلاء القائمون على المنفعة عن تسلسل أفعال يحقق الهدف، لكنهم يأخذون في الاعتبار أيضًا المنفعة. يستخدمون دالة منفعة لتحديد النتيجة المُثلى. فعلى سبيل المثال، يمكن لوكيل ملاحة أن يُكلَّف بالعثور على المسار الأسرع، ولكن أيضًا على المسار الذي يستهلك أقل كمية من الوقود.

يقوم هذا النموذج الاستدلالي على حل المشكلات خطوة بخطوة من خلال حلقة تفكير-تصرُّف-ملاحظة، ما يُتيح تحسين الاستجابات بشكل تدريجي. يتم توجيه الوكيل إلى توليد آثار لعملية استدلاله،¹ على نحو مشابه لما يحدث في أسلوب سلسلة التفكير في نماذج الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة (LLMs). ثم يتصرف بناءً على هذا المنطق ويلاحظ مخرجاته،² ويحدِّث سياقه بمنطق جديد يعتمد على ملاحظاته. يكرر الوكيل الدورة حتى يصل إلى إجابة أو حل.²

يعمل ReAct بشكل جيد في المهام الخاصة باللغة الطبيعية، كما أن إمكانية تتبُّعه تساعد على تحسين الشفافية. ومع ذلك، يمكن أن يولِّد أيضًا المنطق والإجراءات نفسها بشكل متكرر، ما قد يؤدي إلى حلقات لا نهائية.²

على عكس ReAct، يُزيل ReWOO خطوة الملاحظة ويخطط مسبقًا بدلًا من ذلك. يتكون نمط تصميم الاستدلال الوكيلي هذا من 3 وحدات: المخطِّط، والعامل، والمحلِّل.³

تتولى وحدة التخطيط تقسيم المهمة إلى مهام فرعية، وتوزِّع كل مهمة فرعية على وحدة عامل. يُدمج العامل الأدوات المستخدمة لإثبات كل مهمة فرعية بالأدلة والحقائق. أخيرًا، تقوم وحدة الحل بتجميع جميع المهام الفرعية والأدلة المقابلة لها لاستخلاص نتيجة.³

يتفوق ReWOO على ReAct في بعض معايير معالجة اللغة الطبيعية(NLP). ومع ذلك، فإن إضافة أدوات إضافية يمكن أن تؤدي إلى تدهور أداء ReWOO، كما أنه لا يعمل بشكل جيد في المواقف التي يكون فيها سياق بيئته محدودًا.³

يمكن أن يتضمن الذكاء الاصطناعي الوكيل أيضًا التأمل الذاتي كجزء من تقييم قدراته الاستدلالية وتحسينها. من الأمثلة على ذلك بحث وكيل اللغة عبر الشجرة (LATS)، والذي يشترك في سمات مع أسلوب شجرة التفكير في النماذج اللغوية الكبيرة (LLMs).

استُلهم LATS من طريقة Monte Carlo في التعلم المعزز، حيث قام الباحثون بتكييف خوارزمية البحث في شجرة Monte Carlo لتتناسب مع الوكلاء المعتمدين على النماذج اللغوية الكبيرة.⁴ يقوم LATS ببناء شجرة قرارات يُمثَّل فيها كل وضع (حالة) بعقدة، وكل إجراء بحافة، ثم يبحث في الشجرة عن خيارات الإجراء الممكنة ويستخدم مقيِّمًا للحالة لاختيار إجراء معين.² كما أنه يطبِّق خطوة الاستدلال بالتأمل الذاتي، من خلال دمج ملاحظاته الخاصة بالإضافة إلى التعليقات من نموذج اللغة لتحديد أي أخطاء في الاستدلال والتوصية بالبدائل.² يتم تخزين الأخطاء المنطقية والتأملات في الذاكرة، لتكون بمثابة سياق إضافي للرجوع إليه في المستقبل.⁴

يتفوّق LATS في المهام الأكثر تعقيدًا مثل البرمجة والإجابة التفاعلية عن الأسئلة، وفي أتمتة سير العمل، بما في ذلك البحث على الويب والتنقل.⁴ إلا إن اعتماد LATS على نهج أكثر تعقيدًا، وإضافة خطوة التأمل الذاتي، يجعله أكثر استهلاكًا للموارد والوقت مقارنةً بأساليب مثل ReAct.²

تتكون الأنظمة متعددة الوكلاء من العديد من وكلاء الذكاء الاصطناعي الذين يعملون معًا لحل المشكلات المعقدة. يتخصص كل وكيل في مجال معين ويمكنه تطبيق استراتيجية الاستدلال الوكيلي الخاصة به.

ومع ذلك، يمكن أن تختلف عملية اتخاذ القرار بناءً على بنية نظام الذكاء الاصطناعي. في نظام بيئي هرمي أو عمودي، يعمل وكيل واحد كقائد لتنسيق الذكاء الاصطناعي ويقرر الإجراء الذي يجب اتخاذه. وفي الوقت نفسه، في البنية الأفقية، يقرر الوكلاء بشكل جماعي.

يُعَد الاستدلال جوهر وكلاء الذكاء الاصطناعي، ويمكن أن يؤدي إلى قدرات أكثر قوة، لكنه أيضًا له حدوده. فيما يلي بعض التحديات في الاستدلال الوكيلي:

    ● التعقيد الحسابي

    ● قابلية التفسير

    ● قابلية التوسع

قد يكون من الصعب تنفيذ الاستدلال الوكيلي. وتتطلب هذه العملية أيضًا قدرًا كبيرًا من الوقت والقوة الحسابية، وخاصةً عند حل مشكلات العالم الحقيقي الأكثر تعقيدًا. يتعين على الشركات إيجاد طرق لتحسين استراتيجيات الاستدلال الوكيلي لديها والاستعداد للاستثمار في منصات الذكاء الاصطناعي والموارد اللازمة للتطوير.

قد يفتقر الاستدلال الوكيلي إلى قابلية التفسير والشفافية حول كيفية اتخاذ القرارات. يمكن أن تساعد الطرق المختلفة على ترسيخ قابلية التفسير، ويُعَد دمج أخلاقيات الذكاء الاصطناعي والإشراف البشري داخل التطوير الخوارزمي أمرًا بالغ الأهمية للتأكد من أن محركات الاستدلال الوكيلي تتخذ القرارات بشكل عادل وأخلاقي ودقيق.

تقنيات الاستدلال الوكيلي ليست حلولًا واحدة تناسب الجميع، ما يجعل من الصعب توسيع نطاقها لتشمل تطبيقات الذكاء الاصطناعي. قد تحتاج الشركات إلى تخصيص أنماط تصميم الاستدلال هذه لكل حالة من حالات الاستخدام الخاصة بها، ويتطلب هذا الأمر وقتًا وجهدًا.