ما المقصود بالوكيل القائم على الهدف؟

وضمن التسلسل الهرمي المكوّن من خمسة مستويات لتعقيد الوكلاء، يأتي الوكلاء القائمون على الأهداف في مستوى متوسط. فهم أكثر تعقيدًا من وكلاء الاستجابة البسيطة، الذين يلتزمون بقواعد محددة مسبقًا، ومن وكلاء الاستجابة القائمة على نموذج، الذين يضيفون نموذجًا داخليًا للعالم المحيط. وفي الوقت نفسه، يظلون أقل تعقيدًا من الوكلاء القائمين على المنفعة، الذين يستطيعون حساب المفاضلات باستخدام ما يُعرف بدالة المنفعة، ومن الوكلاء المتعلمين، الذين يمكنهم التكيف والتحسن بمرور الوقت، غالبًا من خلال التعلم المعزّز أو التعلم العميق.

يتميز الوكلاء القائمون على الأهداف عن وكلاء الاستجابة الأبسط بإضافة قدرة على التخطيط تأخذ الحالات المستقبلية في الاعتبار. ومع ذلك، فهم لا يستخدمون التقييمات الديناميكية التي تعتمد عليها الأنواع الأكثر تطورًا من الوكلاء، بل يستندون إلى استراتيجيات مبرمجة مسبقًا أو أشجار قرار لتحقيق أهدافهم. 

يأتي أحد أمثلة الوكيل القائم على الهدف من مجال التشغيل الآلي، وتحديدًا من أتمتة المستودعات. فروبوت المستودع الذي يحتاج إلى انتقاء عنصر معين من رف معين يمكنه الاكتفاء بالتفاعل مع العوائق الفورية، مثل مكنسة روبوتية تصطدم بالجدران، وهذا يجعله مجرد "وكيل تفاعلي" بحت. لكن الخيار الأكثر كفاءة هو أن يخطط الروبوت لمسار يقلل الالتفافات ويتجنب العوائق المعروفة. فعلى سبيل المثال، في بيئة ديناميكية مثل المستودعات الحديثة، يمكن لوحدة التخطيط الرجوع إلى قاعدة المعرفة لديها، ورصد الحالة الحالية، ورسم تصوّر للحالات المستقبلية، كأن تأخذ في الاعتبار المسارات المخطط لها لروبوتات أخرى، بما يساعدها على الوصول إلى النتيجة المطلوبة بكفاءة أكبر.

يعمل الوكلاء القائمون على الأهداف عبر أربع مراحل: 

1. تحديد الهدف
2. التخطيط
3. اختيار الإجراء
4. التنفيذ

في البداية، يُمنح الوكيل تعريفًا دقيقًا لما يعنيه النجاح. وعلى خلاف الوكلاء القائمين على المنفعة، يعمل الوكلاء القائمون على الأهداف وفق شروط منطقية ثنائية. ومع أن الوكيل القائم على الهدف قد يعرّف النجاح بأنه انتقال وحدات البت من حالة إلى أخرى، فلا شيء يمنع أن يكون "الهدف" الواحد لهذا الوكيل مجموعة متوسطة التعقيد من عبارات المنطق الافتراضي ومنطق الرتبة الأولى. فعلى سبيل المثال، قد يحدد روبوت هدفه على النحو التالي: "تسليم كل طرد يحمل حاليًا علامة "عاجل" من موقعه المحدد في المخزون إلى رصيف الشحن". ويظل الهدف في جوهره ثنائيًا، إذ يمكن النجاح فيه أو الفشل في تحقيقه، لكنه يتضمن في الوقت نفسه عدة مكونات، بما يسمح بدرجة من التعقيد.

ومن الأفضل بالطبع أن يحدد المستخدم البشري الأهداف بدقة، لكن يمكن أيضًا أن يُدخل هدفًا أكثر عمومية، مثل "تحسين تنفيذ طلبات موسم العطلات"، ثم يتولى النموذج اللغوي الكبير سد هذه الفجوة وتحويله إلى هدف أدق أو مجموعة أهداف أكثر تحديدًا، مثل "تقدير معدل الإنتاجية اليومية للنظام"، أو "تحديد P من الطرود باعتبارها الأعلى أولوية"، أو "تحديد هدف يتمثل في تسليم طرود P خلال 24 ساعة".

بعد أن يحدد الوكيل القائم على الهدف هدفه، يبدأ مرحلة من التخطيط قبل الانتقال إلى التنفيذ. فعلى سبيل المثال، في سيناريو المستودع، يقضي الوكيل بعض الوقت في نمذجة الظروف الحالية والمحتملة لاختيار المسار الأمثل لتنفيذ الطلبات الأعلى أولوية في الوقت المناسب، كأن يحدد عدد المرات التي يجب أن ينتقل فيها من رفوف المخزون إلى رصيف الشحن.

وبالطبع، تظل الخطط مرهونة بالواقع الذي تُطبَّق فيه. فبعض الوكلاء القائمين على الأهداف يتبعون نهجًا "محافظًا"، إذ يفضّلون الالتزام بالخطة إلى أن يصبح تنفيذها مستحيلًا تمامًا. أما النُهج الأكثر مرونة، فتظهر لدى الوكلاء "الانتهازيين" الذين يستطيعون، عند مواجهة عائق في الخطة، حساب الإجراء التالي الأفضل بمرونة، كما يحدث عندما تعيد خرائط Google توجيه المسار لتجنب ازدحام مروري غير متوقع.

وفي حالة روبوت المستودع، يمكن لأجهزة الاستشعار الموجودة في الآلة أن تساعد في مراقبة الموقف في الوقت الفعلي، مع إرسال بيانات مهمة إلى وحدة التخطيط. فعلى سبيل المثال، إذا اكتشف أحد أجهزة الاستشعار أن الهدف الفرعي "الإمساك بالطرد" قد فشل لسبب ما، يمكن للوكيل القائم على الهدف محاولة تشخيص السبب، أو التخطيط لنهج بديل، أو طلب الدعم.

يعتمد قرار اختيار نوع وكيل الذكاء الاصطناعي المناسب على طبيعة المشكلة المطلوب حلها. فما دام الوكلاء القائمون على الأهداف يتلقون أهدافًا محددة، تستطيع نماذج الذكاء الاصطناعي التي تقوم عليها اتخاذ قرارات مستنيرة والتعامل مع مهام معقدة، لكن يجب أن تكون معايير النجاح واضحة ومباشرة، وغالبًا ما تكون ثنائية.

ومع ذلك، في الحالات التي تكون فيها القدرة على التكيف في الوقت الفعلي أمرًا بالغ الأهمية، أو عندما توجد أهداف متعددة يجب تحسينها والمفاضلة بينها، قد تحتاج الشركات إلى الانتقال من الوكلاء القائمين على الأهداف إلى خيار أكثر تطورًا، مثل الوكلاء القائمين على المنفعة. ومن الأمثلة النموذجية على ذلك المركبة ذاتية القيادة. فعندما يطلب راكب سيارة ذاتية القيادة، توجد عدة أهداف يجب الموازنة بينها: مدة الرحلة، والتسعير، وتجنب الازدحام، والسلامة. ولتقديم أفضل تجربة ممكنة للعميل، يجب أن تمر المركبة المدعومة بالذكاء الاصطناعي بعمليات معقدة لصناعة القرار، مع حساب المفاضلات المختلفة بين الإجراءات المحتملة. وفي هذه الحالة، تحدد دالة المنفعة الناتجة الإجراءات التي سيتخذها الوكيل. 

لا يوجد ما يمنع النظام القائم على الوكلاء من "الدمج والمطابقة" بين أنواع مختلفة من الوكلاء، بحيث يُصمَّم كل وكيل بما يتناسب مع درجة تعقيد المشكلة المطروحة. على سبيل المثال، يمكن تخيل حالة من قطاع الرعاية الصحية: مستشفى لا يكتفي باستخدام وكلاء قائمين على الأهداف لتنفيذ مهام سير العمل، بل يستخدم أيضًا وكلاء من الأنواع الأربعة الأخرى التي تناولناها.

على أبسط مستوى، قد يكتفي وكيل استجابة بسيط يُسمى Vitals Monitor بمراقبة العلامات الحيوية لجميع المرضى. ويتمثل هدفه المحدد في إطلاق تنبيه إذا انخفض، مثلًا، معدل ضربات قلب مريض عن مستوى معين، بما يساعد على تنبيه الطبيب أو الممرضة للتدخل البشري. ويمكن لهذا النوع من الوكلاء الاعتماد على خوارزميات بسيطة من نوع if/then.

وفي المستوى التالي، قد يتولى وكيل استجابة قائم على نموذج يُسمى Inventory Agent إدارة مخزون الأدوية والمستلزمات في المستشفى. ويحتفظ هذا الوكيل بنموذج داخلي للمخزون الحالي، وأنماط الاستخدام التاريخية، وأوقات استجابة شركاء سلسلة التوريد، بهدف تبسيط طلبات إعادة التوريد.

أما في المستوى الثالث، فقد يعمل وكيل أعلى مستوى قائم على الهدف يُسمى Discharge Planner بطريقة عكسية انطلاقًا من الهدف الثنائي البسيط المتمثل في خروج المريض من المستشفى. وسيستند هذا الوكيل إلى استراتيجيات مبرمجة مسبقًا وأشجار قرار، مع مراعاة الحالات المستقبلية أيضًا، لتنسيق التحاليل والأدوية وموافقات الأخصائيين، بما في ذلك جميع المهام الفرعية المطلوبة. وإذا تأخرت إحدى الخطوات، يمكن لوحدة التخطيط الخاصة به أن تعيد التشغيل وتضع خطة جديدة. ومن المرجح أن يكون الوكيل القائم على الهدف، مثل معظم هؤلاء الوكلاء، مضبوطًا بدقة على نموذج لغوي كبير.

رابعًا، قد يتولى وكيل قائم على المنفعة يُسمى Bed Assignment Optimizer تخصيص المرضى على الغرف المختلفة، مع السعي إلى تحقيق أفضل توازن بين السلامة والرضا ومعدل إنجاز العمل. وبما أنه يتعامل مع اعتبارات متعددة ومفاضلات معقدة، يعمل هذا الوكيل باستخدام دالة منفعة تقيّم متغيرات مثل قابلية العدوى، ومستويات طاقم العمل، وشدة المرض.

خامسًا، وعلى أعلى مستوى، يستخدم وكيل متعلّم يُسمى Intake Assistant التعلم الآلي للبحث عن أنماط مستخلصة من التجارب السابقة، بهدف تحسين أسئلة الفرز، والتنبيه إلى المرضى ذوي المخاطر العالية، وتقليل الخطوات المتكررة. وعلى خلاف الوكلاء في المستويات الأدنى، يجب على هذا الوكيل المتعلّم أن يقيّم باستمرار مجموعات البيانات المتغيرة، بحثًا عن أنماط عميقة قد لا يلاحظها البشر.

ويعمل الوكلاء الخمسة معًا كمجموعة من المساعدين الافتراضيين لحل المشكلات المعقدة. ومن خلال التنسيق المناسب، إلى جانب دمج قدرات متعددة تمتد من معالجة اللغة الطبيعية (NLP) والذكاء الاصطناعي التوليدي إلى رؤية الكمبيوتر واستدعاءات أدوات API، يصبح النظام متعدد الوكلاء بسيطًا حيث ينبغي أن يكون بسيطًا، ومعقدًا حيث تقتضي الحاجة أن يكون معقدًا.