ForkPilot يخفض تكاليف معالجة الذكاء الاصطناعي بنسبة 59 بالمئة في اختبارات الوكلاء

أصبحت وكلاء الذكاء الاصطناعي أكثر قدرة على تصحيح أخطائهم. يتيح إطار عمل جديد يسمى ForkPilot لهذه الأنظمة إعادة التفكير في القرارات السابقة عندما لا تسير المهمة كما هو مخطط لها. من خلال تكييف استراتيجيته بشكل فوري، طابق ForkPilot أداء أفضل الأساليب الحالية مع تقليل احتياجات طاقة المعالجة بنسبة 59 بالمئة.

تشهد مساعدات البرمجة أيضاً تقدماً ملحوظاً. يساعد إطار عمل يسمى CABRA الباحثين الآن على اختبار أسباب نجاح أو فشل وكلاء البرمجة. فهو ينشئ تحديات برمجة مخصصة لتحديد نقاط الضعف، مما يظهر أن الوكلاء غالباً ما يواجهون صعوبة في فهم قواعد البيانات البرمجية الموجودة أكثر من كتابة مقتطفات جديدة.

تتغير عادات العمل أيضاً. تظهر بيانات Copilot Chat أنه على الرغم من أن تحرير المستندات هو النشاط الأكثر شيوعاً عبر مختلف الصناعات، إلا أن أنماط استخدام فريدة تظهر بمجرد استبعاد المهام القياسية. الاعتماد على المقاييس العامة قد يخفي كيفية استخدام الموظفين لهذه الأدوات بالفعل.

يحصل التعليم في المدارس ذات الموارد المحدودة على دفعة من Shiksha Copilot. تساعد هذه الأداة المعلمين على أتمتة تخطيط الدروس، مما يقلل من التوتر ويمنحهم مزيداً من الوقت للتفاعل مع الطلاب.

أصبحت توقعات الطقس أكثر دقة أيضاً. يساعد إطار عمل Probabilistic Bias Correction العلماء في تصحيح الأخطاء التاريخية في نماذج الطقس. وقد أثبتت هذه التقنية قيمتها بالفوز في مسابقة عالمية للتنبؤات، وهي تساعد الآن المزارعين في كينيا على إدارة توقعات الرياح الموسمية.

في المختبر العلمي، أصبح BioEmu2 متاحاً الآن في معاينة عامة. يتنبأ هذا النموذج بهياكل البروتينات ووظائفها، مما قد يسرع من طريقة اكتشاف أدوية جديدة.

على الرغم من أن هذه الأدوات تبشر بالخير، إلا أنها تواجه قيوداً. يعتمد ForkPilot على قدرة الوكيل على تحديد متى سارت المهمة بشكل خاطئ، ويؤكد CABRA أن النماذج الحالية لا تزال تجد أن التنقل في قواعد بيانات برمجية كبيرة وغير مألوفة يمثل عقبة رئيسية. هل تساءلت يوماً ما إذا كانت عاداتك في استخدام الذكاء الاصطناعي هي الأكثر كفاءة حقاً؟