باحثون يحسنون استدلال الوكلاء الذكية عبر نهج Tropical Reinforcement Learning الجديد

قدم الباحثون TROPIC، وهي طريقة تدريب مصممة لمساعدة وكلاء الذكاء الاصطناعي على حل المشكلات المعقدة من خلال دمج خطوات منطقية مختلفة. توضح الورقة البحثية أن نماذج الذكاء الاصطناعي الحالية تواجه صعوبات لأنها تتعامل مع الاستدلال كمجرد مجموع احتمالات. عندما يفشل النموذج في مهمة ما، فإنه غالباً ما ينسى المسارات الناجحة التي اكتشفها سابقاً لأنها لم تكن جزءاً من المحاولة النهائية الفائزة.

إعادة التفكير في الرياضيات

يقترح الفريق استخدام جبر مختلف، يُعرف باسم semiring الاستوائي. بدلاً من جمع احتمالات جميع المسارات الممكنة، تختار هذه الطريقة الاحتمال الأقصى لكل خطوة. هذا يسمح للذكاء الاصطناعي بالاحتفاظ بأفضل أجزاء المحاولات المختلفة وتجميعها معاً مثل قطع الألغاز.

تخيل أنك تجمع قطعة أثاث بناءً على دليل تعليمات، لكنك تستمر في الخلط بين ترتيب المسامير. قد يتجاهل الذكاء الاصطناعي التقليدي الدليل بالكامل بعد حدوث خطأ. تتيح طريقة TROPIC للوكيل حفظ الأجزاء الناجحة من عملية التجميع الخاصة بك حتى لو فشلت في الخطوة الأخيرة.

اختبار الأداء

اختبر الباحثون TROPIC في أربع مهام محددة بما في ذلك Sokoban و WebShop. وجدوا أنها تفوقت على طرق التدريب القياسية بنسبة تصل إلى 16 نقطة مئوية. من خلال التركيز على المسار الأكثر احتمالاً بدلاً من المتوسط، يصبح النموذج أفضل في التخطيط متعدد الخطوات.

على الرغم من هذه المكاسب، تقتصر هذه التقنية حالياً على البيئات المحددة التي يمكن فيها التحقق من النتائج بوضوح. لم يختبر الباحثون بعد كيفية توسيع نطاق هذه الطريقة للسيناريوهات المفتوحة أو غير المتوقعة في العالم الحقيقي. هل يمكن أن يكون هذا التحول في المنطق هو المفتاح لجعل وكلاء الذكاء الاصطناعي أكثر موثوقية في المهام اليومية؟