خب بیا یه کم درباره سیستم‌های چندعاملی مبتنی بر مدل‌های زبانی بزرگ (LLM-based MASs) حرف بزنیم! اگه اسمش برات غریبه‌ست، MAS یعنی Multi-Agent System یا سیستم چندعاملی. این یعنی به جای اینکه فقط یه هوش مصنوعی کار کنه، چندتا عامل یا همون Agent با هم همکاری می‌کنن تا کارایی بیشتری داشته باشن. حالا LLM همون مدل‌های زبانی بزرگه، مثل همون هوش مصنوعی‌هایی که می‌تونن متن تولید کنن، سوال جواب بدن و غیره.
تا الان توی این سیستم‌ها، عامل‌ها معمولاً از قبل تعریف شدن و ثابتن. یعنی اگر شرایط جدیدی پیش بیاد، دیگه نمی‌تونن خودشون رو با اون شرایط وفق بدن. ولی واقعیت اینه که دنیا همیشه تغییر می‌کنه و لازمه سیستم‌های هوش مصنوعی هم بتونن منعطف و مقیاس‌پذیر باشن؛ یعنی بتونن با توجه به نیاز، عامل‌های جدید درست کنن (مقیاس‌پذیری یعنی یه سیستم بتونه رشد کنه یا کوچیک‌تر بشه بدون اینکه از پا بیفته).
حالا تو این مطالعه، یه ایده خفن مطرح شده: چطوری میشه کاری کرد که این عامل‌ها خودشون بتونن عامل جدید بسازن و وارد سیستم کنن، اونم بدون اینکه ما انسان‌ها مجبور باشیم هی دستی اضافه یا کم کنیم؟ جواب سوال، دو رویکرد جدیده:
-
تولید خودکار عامل اولیه (IAAG): این یعنی وقتی سیستم رو راه‌اندازی می‌کنی، خودش با توجه به نیاز کار، عامل‌های لازم رو تولید کنه. دیگه لازم نیست از قبل همه جزئیات رو تعیین کنی.
-
تولید عامل در لحظه و پویا (DRTAG): این یکی دیگه خیلی باحاله! فرض کن وسط کار یه وضعیت جدید پیش میاد یا یه سوال عجیب ظاهر میشه. اینجاست که سیستم میاد و به صورت آنی و بر اساس شرایط جدید، یه عامل تازه تولید و وارد بازی می‌کنه. یعنی همیشه آماده تغییره.
برای اینکه این عامل‌ها رو به شکلی حرفه‌ای بسازن، از تکنیک‌های پیشرفته پرسش‌سازی استفاده شده، مثل persona pattern prompting (یعنی دادن شخصیت مشخص به عامل‌ها که مثلاً بگیم “تو یه معلم ریاضی هستی”)، chain prompting (یعنی سوال و جواب‌های زنجیره‌ای برای بهترسازی پاسخ)، و few-shot prompting (دادن چند نمونه به مدل که بهتر یاد بگیره منظورمون چیه).
نتایج آزمایش‌ها نشون داد که رویکرد DRTAG باعث شده انعطاف‌پذیری و عملکرد توی انجام کارها حسابی بهتر بشه نسبت به معماری سنتی و ثابت. حتی اون رویکرد اولی یعنی IAAG هم نشون داد که وقتی سیستم می‌خواد راه بیفته، می‌تونه عامل‌های دقیق و مناسب با شرایط بسازه.
در کل، این تحقیق نشون میده که سیستم‌های چندعاملی مبتنی بر LLM اگه دینامیک و پویا باشن، خیلی بهتر با مسائل پیچیده دنیای واقعی کنار میان. این یعنی راه برای کلی نوآوری و کاربرد جدید تو حوزه‌های مختلف باز میشه؛ از سرویس‌های آنلاین گرفته تا کارهای علمی و خلاقانه.
خلاصه اینکه: آینده سیستم‌های چندعاملی هوش مصنوعی جوری میره جلو که خودشون بتونن خودشون رو آپدیت و قوی‌تر کنن – و این خیلی حال میده! 😉
منبع: +
