وعدونا بالوكالات، لكن كل ما حصلنا عليه كانت سلاسل ثابتة

في ربيع عام 2023، أصبح العالم متحمسًا للظهور الواعد للوكالات القائمة على الذكاء الاصطناعي بالاعتماد على النماذج اللغة الكبيرة. وقد أظهرت العروض التوضيحية القوية مثل AutoGPT وBabyAGI إمكانيات النماذج اللغة الكبيرة التي تعمل في حلقة، وتختار الإجراء التالي، وت观察 النتائج، وتختار الإجراء التالي، خطوة تلو الأخرى (المعروفة أيضًا باسم إطار ReACT). ويتوقع أن تقوم هذه الطريقة الجديدة بتشغيل الوكالات التي تقوم بمهام متعددة الخطوات بشكل مستقل وعمومي. امنحها هدفًا ومجموعة من الأدوات وسوف تتولى باقي الأمور. ومن المتوقع أن يكون المنظر مليئًا بالوكالات واطار عمل بناء الوكالات بحلول نهاية عام 2024. لكن كيف تقاس هذه الوكالات مقابل الوعد؟

يمكن القول بثقة أن الوكالات التي تعمل بالاعتماد على إطار ReACT البسيط تعاني من قيود شديدة. امنحها مهمة تتطلب أكثر من بضع خطوات، وتتطلب أكثر من بضع أدوات، وسوف تفشل بائسة. بالإضافة إلى مشاكل التأخير الواضحة، سوف تفقد الاتجاه، وتفشل في اتباع الإرشادات، وتتوقف مبكرًا أو تتوقف متأخرًا، وتنتج نتائج مختلفة بشكل كبير في كل محاولة. وليس من المستغرب. إطار ReACT يأخذ قيود النماذج اللغة الكبيرة غير المتوقعة ويزيد منها حسب عدد الخطوات. ومع ذلك، لا يمكن لمصنعي الوكالات الذين يبحثون عن حل الحالات العملية، خاصة في الشركات، أن يقبلوا بمستوى الأداء هذا. إنهم يحتاجون إلى نتائج موثوقة ويمكن تفسيرها لمسارات عمل متعددة الخطوات المعقدة. وهم يحتاجون إلى أنظمة ذكاء اصطناعي تقلل، بدلاً من زيادة، الطبيعة غير المتوقعة للنماذج اللغة الكبيرة.

لذلك، كيف تبنى الوكالات في الشركات اليوم؟对于 الحالات التي تتطلب أكثر من أداة وخطوة (على سبيل المثال، استعلامات RAG المحادثية)، لقد تخلى مصنّعو الوكالات إلى حد كبير عن الوعد الديناميكي والاستقلالي لإطار ReACT لطرق تعتمد بشكل كبير على السلاسل الثابتة – إنشاء سلاسل محددة مسبقًا لتحقيق حالة استخدام معينة. هذا النهج يشبه هندسة البرمجيات التقليدية ويتسم بالابتعاد عن الوعد الوكالي لإطار ReACT. إنه يحقق مستويات أعلى من التحكم والموثوقية، ولكنه يفتقر إلى الاستقلالية والمرونة. وبالتالي، تكون الحلول كثيفة التطوير، ضيقة التطبيق، وrigid جدًا بحيث لا تتمكن من التعامل مع مستويات عالية من التباين في مساحة الإدخال والبيئة.

من المؤكد أن ممارسات السلاسل الثابتة يمكن أن تختلف في مدى “ثبات”ها. بعض السلاسل تستخدم النماذج اللغة الكبيرة فقط لأداء خطوات ذرية (على سبيل المثال، لاستخراج المعلومات أو تلخيص النص أو صياغة رسالة) في حين تستخدم سلاسل أخرى النماذج اللغة الكبيرة أيضًا لاتخاذ بعض القرارات ديناميكيًا في وقت التشغيل (على سبيل المثال، نموذج لغة يوجه بين تدفقات بديلة في السلسلة أو نموذج لغة يتحقق من نتيجة خطوة لتحديد ما إذا كان يجب تشغيلها مرة أخرى). في أي حال،只要 كانت النماذج اللغة الكبيرة مسؤولة عن أي اتخاذ قرار ديناميكي في الحل – نحن محاصرون في توازن بين الموثوقية والاستقلالية. كلما كانت الحل أكثر ثباتًا، كانت أكثر موثوقية ويمكن توقعها، ولكنها أقل استقلالية وبالتالي أكثر ضيقًا في التطبيق وأكثر كثافة في التطوير. كلما كانت الحل أكثر ديناميكية واستقلالية، كانت أكثر عمومية وسهولة في البناء، ولكنها أقل موثوقية ويمكن توقعها.

يمكن تمثيل هذا التوازن في الرسم البياني التالي:

هذا يطرح السؤال، لماذا لم نر حتى الآن إطارًا وكاليًا يمكن وضعها في الركن العلوي الأيمن؟ هل نحن محكومون على التوفيق بين الموثوقية والاستقلالية؟ هل لا يمكننا الحصول على إطار يوفر واجهة بسيطة مثل وكيل ReACT (أمنحها هدفًا ومجموعة من الأدوات وسوف تتولى باقي الأمور) دون التضحية بالموثوقية؟

الجواب هو – نعم يمكننا ذلك! ولكن من أجل ذلك، يجب أن ندرك أننا فعلنا كل شيء بشكل خاطئ. جميع إطارات بناء الوكالات الحالية تشترك في عيب مشترك: أنها تعتمد على النماذج اللغة الكبيرة كعنصر ديناميكي ووكالي. ومع ذلك، العنصر الحاسم الذي نفتقده – ما نحتاجه لإنشاء وكالات تكون مستقلية وموثوقة – هو تكنولوجيا التخطيط. والنماذج اللغة الكبيرة ليست مخططة جيدة.

لكن أولاً، ما هو “التخطيط”? بالتخطيط نعنى القدرة على تمثيل مسارات عمل بديلة بشكل صريح تؤدي إلى نتيجة مرغوبة والبحث عن هذه البدائل بكفاءة تحت قيود ميزانية. يجب أن يتم التخطيط على المستويين الماكرو والمايكرو. الخطة الماكرو تقسم المهمة إلى خطوات متعلقة ومتعمدة يجب تنفيذها لتحقيق النتيجة المرغوبة. ما غالبًا ما يتم تجاهله هو الحاجة إلى تخطيط مايكرو يهدف إلى ضمان النتائج المرغوبة على مستوى الخطوة. هناك العديد من الاستراتيجيات المتاحة لزيادة الموثوقية وتحقيق الضمانات على مستوى الخطوة الفردي باستخدام الحوسبة في وقت الاستدلال. على سبيل المثال، يمكنك إعادة صياغة استعلامات البحث الدلالي عدة مرات، يمكنك استرداد المزيد من السياق لكل استعلام معين، يمكنك استخدام نموذج أكبر، ويمكنك الحصول على المزيد من الاستدلالات من نموذج لغة – كل ذلك يؤدي إلى نتائج أكثر إرضاء للمتطلبات التي يمكن اختيار الأفضل منها. يمكن لمخطط مايكرو جيد استخدام الحوسبة في وقت الاستدلال بكفاءة لتحقيق أفضل النتائج تحت ميزانية الحوسبة والكفاءة المحددة. بهذه الطريقة، يمكن أن تقلل أنظمة الذكاء الاصطناعي المخططة الطبيعة الاحتمالية للنماذج اللغة الكبيرة لتحقيق نتائج garantie على مستوى الخطوة. بدون هذه الضمانات، سنعود إلى مشكلة الخطأ المركب التي سوف تؤثر حتى على أفضل خطط المستوى الماكرو.

لكن لماذا لا يمكن للنماذج اللغة الكبيرة أن تكون مخططة؟ بعد كل شيء، فهي قادرة على ترجمة الإرشادات عالية المستوى إلى سلاسل معقولة من الأفكار أو خطط محددة باللغة الطبيعية أو بالرمز البرمجي. السبب هو أن التخطيط يتطلب أكثر من ذلك. التخطيط يتطلب القدرة على تمثيل مسارات عمل بديلة قد تؤدي بشكل معقول إلى النتيجة المرغوبة وreason عن المرغوبية المتوقعة وتكلفة كل بديل. في حين أن النماذج اللغة الكبيرة يمكن أن تولد تمثيلات لمسارات العمل المتاحة، إلا أنها لا يمكن أن تتنبأ بالمرغوبية المتوقعة والتكلفة. على سبيل المثال، ما هي المرغوبية المتوقعة والتكلفة لاستخدام نموذج X مقابل نموذج Y لإنشاء إجابة لكل سياق معين؟ ما هي المرغوبية المتوقعة للبحث عن قطعة معينة من المعلومات في مجموعة وثائق محددة مقابل استدعاء واجهة برمجة التطبيقات للنظام الإداري؟ نموذج اللغة لا يبدأ حتى بمعرفة ذلك. والسبب الجيد – الأثر التاريخي لهذه الصفات الاحتمالية نادرًا ما يوجد في البرية وليس مدرجًا في بيانات تدريب النماذج اللغة الكبيرة. كما أنها تميل إلى أن تكون محددة لبيئة الأداة والبيانات التي تعمل فيها نظام الذكاء الاصطناعي، على عكس المعرفة العامة التي يمكن للنماذج اللغة الكبيرة اكتسابها. حتى لو كانت النماذج اللغة الكبيرة قادرة على التنبؤ بالمرغوبية المتوقعة والتكلفة، فإن التفكير في ذلك لاختيار مسار العمل الأكثر فعالية هو استدلال منطقي نظري اتخاذ القرار، ولا يمكن افتراض أن النماذج اللغة الكبيرة تقوم به بشكل موثوق.

لذلك، ما هي المكونات المفقودة لتكنولوجيا التخطيط للذكاء الاصطناعي؟ نحن بحاجة إلى نماذج مخططة يمكن أن تتعلم من الخبرة والتحاكي لتمثيل مسارات عمل بديلة ومرغوبية وتكلفة احتمالية لكل مهمة في بيئة أداة وبيانات معينة. نحن بحاجة إلى لغة تعريف الخطة (PDL) يمكن استخدامها لتمثيل وreason عن مسارات العمل هذه والاحتمالات. نحن بحاجة إلى محرك تنفيذ يمكنه تنفيذ خطة محددة في PDL بشكل حتمي وفعّال.

بعض الناس يعملون بجد على تنفيذ هذا الوعد. حتى ذلك الحين، استمر في بناء السلاسل الثابتة. فقط من فضلك لا تدعوهم “وكالات”.