البدء باستخدام وكلاء الذكاء الاصطناعي

من المتوقع أن تلعب وكلاء الذكاء الاصطناعي دورًا محوريًا في العقد القادم، إذ ستُحدث تحولًا في كيفية تفاعلنا مع التكنولوجيا. لفهم وكلاء الذكاء الاصطناعي، من الضروري التمييز بينهم وبين نماذج الذكاء الاصطناعي التقليدية والأنظمة المركبة.

ما هي النماذج التقليدية؟

نماذج الذكاء الاصطناعي التقليدية هي أنظمة مُدرَّبة على مجموعات بيانات مُحدَّدة لأداء مهمة أو مجموعة مهام مُحدَّدة. تُشبه هذه النماذج أدواتٍ شديدة التخصص - مُمتازة فيما دُرِّبت عليه، لكنها محدودة في التكيف مع السيناريوهات الجديدة أو غير المُتوقَّعة دون إعادة تدريب مُكثَّفة. تُولِّد هذه النماذج استجاباتٍ بناءً على أنماط مُستقاة من بيانات تدريبها، لكنها تفتقر إلى المرونة اللازمة لدمج معلومات جديدة أو تعديل سلوكها ديناميكيًا دون إعادة برمجة مُكثَّفة. يُمكننا اعتبارها حرفيين ماهرين يُبدعون في مجالهم باستخدام أدوات ومواد مألوفة، لكنهم يُواجهون صعوبةً في التكيُّف بسرعة عند مواجهة تحديات جديدة أو موارد غير مألوفة.

على سبيل المثال، تخيّل أنك تُنظّم مؤتمرًا كبيرًا وتحتاج إلى إيجاد أفضل مكان. إذا طلبتَ من نموذج ذكاء اصطناعي تقليدي مُصمّم لتخطيط الفعاليات منذ بضع سنوات، فقد يُقدّم نصائح عامة بناءً على بيانات سابقة. مع ذلك، لن يكون قادرًا على مراعاة احتياجاتك الخاصة، أو الوصول إلى معلومات آنية حول توافر المكان، أو مُواكبة أحدث التوجهات في استضافة الفعاليات دون تحديث شامل.

مع ذلك، تُعدّ هذه النماذج جيدةً جدًا في مهام متنوعة، مثل تلخيص المستندات، وصياغة رسائل البريد الإلكتروني، وإعداد التقارير. ولكن هنا تبرز أهمية الأمر: إذ يُصبح الأمر رائعًا عندما ندمج هذه النماذج في أنظمة أكبر وأكثر تعقيدًا، مثل منصات خدمة العملاء، وأدوات إدارة سلسلة التوريد، ومحركات التوصيات المُخصصة. في هذه الأنظمة، تعمل النماذج الفردية معًا، مُكمّلةً نقاط قوة بعضها البعض لمواجهة تحديات أكثر تعقيدًا والتكيف مع مجموعة أوسع من السيناريوهات. هذا ما نُسميه أنظمة الذكاء الاصطناعي المُركّبة.

ما هي الأنظمة المركبة؟

كما يوحي الاسم، يتكون النظام المركب من عدة مكونات مترابطة، كل منها متخصص في وظيفة محددة. لنعد إلى مثال مؤتمرنا. للحصول على إجابة دقيقة حول أفضل مكان، نحتاج إلى ربط نموذج الذكاء الاصطناعي الخاص بنا بمصادر بيانات مختلفة: قواعد بيانات الأماكن المتاحة، ومعلومات الأسعار، وتقييمات المستخدمين، وحتى حالة حركة المرور المحلية. سيُنشئ نموذج الذكاء الاصطناعي استعلامًا لجلب هذه المعلومات، ويدمجها مع معالجته الخاصة، ثم يقدم استجابة متماسكة. هذا النظام معياري، مما يعني أنه يمكننا دمج مكونات مختلفة ومطابقتها: نماذج لغوية كبيرة، ونماذج توليد صور، وأدوات بحث في قواعد البيانات، وغيرها. يقوم كل مكون بدوره في حل مشكلة أكبر بفعالية أكبر من نموذج تقليدي واحد.

هذا يقودنا إلى أحد أكثر أنظمة الذكاء الاصطناعي استخدامًا: التوليد المعزز بالاسترجاع (RAG) . يُجسّد RAG نظام ذكاء اصطناعي مركب لأنه يُوظّف نقاط قوة كلٍّ من مُكوّني الاسترجاع والتوليد لتوفير استجابات أكثر دقةً وارتباطًا بالسياق. تجمع أنظمة RAG بين قوة نماذج اللغة واسترجاع المعلومات الدقيق، ويمكن تهيئتها للبحث في أنواع مُختلفة من قواعد البيانات، بما في ذلك مصادر البيانات الفورية، وذلك حسب كيفية إعدادها. ومع ذلك، حتى مع هذه المرونة، تتبع أنظمة RAG عادةً أنماط استرجاع وتوليد مُحددة مُسبقًا. وهنا يأتي دور وكلاء الذكاء الاصطناعي، مُقدّمين نهجًا أكثر ديناميكيةً وتكيفًا لحل المشكلات المُعقدة.

ملاحظة: إذا كنت مهتمًا بالتعمق في أنظمة RAG واستكشاف كيفية تهيئتها للوصول إلى مصادر بيانات متنوعة، بما في ذلك المعلومات الفورية، فننصحك بالاطلاع على بعض الدورات المتخصصة التي نقدمها في هذا الموضوع. توفر هذه الدورات فهمًا أشمل لأنظمة RAG وتطبيقاتها.

أساسيات توليد البيانات المعززة بالاسترجاع باستخدام LangChain
تقنيات RAG المتقدمة: اختيار النهج الصحيح
بناء تطبيقات RAG متعددة الوسائط باستخدام Google Gemini

ما هي وكلاء الذكاء الاصطناعي؟

الآن، لنتحدث عن وكلاء الذكاء الاصطناعي. من نواحٍ عديدة، يُمكن اعتبار وكلاء الذكاء الاصطناعي نموذج متقدمًا من الأنظمة المركبة. مع أنها لا تزال تعتمد على تكامل مكونات متخصصة متعددة، إلا أن ما يميزها هو مستوى استقلاليتها وقدرتها على التكيف المُحسّن. فبدلاً من مجرد اتباع قواعد مُحددة مسبقًا أو الاعتماد على نماذج ثابتة، تستفيد وكلاء الذكاء الاصطناعي من قدرات التفكير المنطقي للنماذج الأساسية لاتخاذ قرارات ديناميكية.

الفرق مفتاح ليس في نوع النظام، بل في كيفية عمله. فبينما تتبع الأنظمة المركبة عادةً تسلسلًا محددًا من العمليات، تتمتع وكلاء الذكاء الاصطناعي بالقدرة على التخطيط والتكيف وتعديل نهجهم بناءً على سياق المهمة واحتياجاتها المحددة. وهذا يجعلها أكثر مرونة وقدرة على التعامل مع المشكلات المعقدة والمتطورة. تخيل الأمر بهذه الطريقة: من جهة، لدينا أنظمة تفكر بسرعة وتتبع تعليمات صارمة دون أي انحراف. ومن جهة أخرى، لدينا أنظمة وكلاء تفكر ببطء، وتخطط بعناية لكل خطوة، وتعدل نهجها بناءً على المعلومات الجديدة. وهذا يجعلها قابلة للتكيف بشكل لا يُصدق.

على سبيل المثال، إذا كنت تبحث عن أفضل مكان لمؤتمر، فقد يجمع النظام المركب معلومات من مصادر مختلفة لتقديم قائمة بالخيارات. أما وكيل الذكاء الاصطناعي، فيمكنه التعمق أكثر من خلال مراعاة تفضيلات المستخدم الأخيرة، والتغييرات في توافر المكان، أو حتى الفعاليات المحلية خلال مواعيد مؤتمرك. يمكنه التكيف بسرعة، مما يجعله أكثر فعالية في البيئات الديناميكية. في حين أن كلاً من وكلاء الذكاء الاصطناعي والأنظمة المركبة يتميزان بالقوة، إلا أن وكلاء الذكاء الاصطناعي يمثلون الخطوة التالية - فهم أنظمة مركبة ذات "عقل" قادر على التفكير والتعلم والتكيف، وإدارة المهام باستقلالية وذكاء أكبر.

ما هي القدرات مفتاح لوكلاء الذكاء الاصطناعي؟

يتمتع وكلاء الذكاء الاصطناعي بثلاث قدرات مفتاح : التفكير، والتصرف، والذاكرة. تُمكّن هذه القدرات وكلاء الذكاء الاصطناعي من التعامل مع المهام المعقدة بتقسيمها إلى خطوات سهلة، واستخدام أدوات خارجية، والاستفادة من المعلومات المخزنة للتفاعلات الشخصية.

• التفكير المنطقي: يتضمن التفكير المنطقي قيام عميل الذكاء الاصطناعي بوضع خطة والتفكير المنطقي في كل خطوة مطلوبة لحل مشكلة. على سبيل المثال، عند تكليفه بإيجاد مكان مناسب لمؤتمر، يبدأ العميل بتحديد المتطلبات مفتاح ، مثل التاريخ وعدد الحضور وتفضيلات الموقع.

• التنفيذ: يشير التنفيذ إلى قدرة برنامج الذكاء الاصطناعي على استخدام أدوات خارجية لجمع المعلومات وتنفيذ المهام. على سبيل المثال، في مثال مكان انعقاد المؤتمر، قد يستخدم البرنامج محركات البحث للبحث عن أماكن محتملة، والآلات الحاسبة لمقارنة التكاليف، وقواعد البيانات للتحقق من التوافر. يُعرّف النموذج هذه الأدوات ويستدعيها عند الحاجة لتنفيذ إجراءات محددة.

• الذاكرة: تتيح الذاكرة لوكيل الذكاء الاصطناعي تخزين واسترجاع المعلومات من التفاعلات السابقة أو السجلات الداخلية. ويشمل ذلك تذكر تفضيلات المستخدم أو المتطلبات المحددة المذكورة سابقًا في المحادثة. على سبيل المثال، إذا أشار المستخدم سابقًا إلى تفضيله لأماكن توفر خدمة تقديم الطعام في الموقع، يمكن للوكيل تذكر هذه التفاصيل وإعطاء الأولوية لهذه الأماكن في بحثه.

يمكن تصور سير العمل الوكيل في الرسم التخطيطي التالي:

في الرسم التخطيطي أعلاه، تبدأ العملية باستعلام المستخدم ، وهو السؤال أو المشكلة الأولية التي يطرحها المستخدم. ثم ينتقل وكيل الذكاء الاصطناعي إلى التخطيط (السبب) ، وصياغة استراتيجية خطوة بخطوة لمعالجة الاستعلام. ثم ينتقل الوكيل إلى الإجراء (استخدام الأدوات) ، باستخدام أدوات خارجية مختلفة مثل محركات البحث أو الآلات الحاسبة لجمع المعلومات الضرورية وأداء المهام. تتضمن خطوة الملاحظة قيام الوكيل بمراجعة نتائج أفعاله، وإذا لزم الأمر، فقد يعدل خطته وفقًا لذلك، والعودة إلى مرحلة الاستدلال. وأخيرًا، تختتم العملية بالإخراج النهائي ، حيث يقدم الوكيل استجابة شاملة ومصممة خصيصًا للمستخدم.

من الأساليب الشائعة لتكوين هذه الوكلاء ما يُسمى "الاستجابة والتصرف" ( ReAct )، والذي سنتناوله في الدروس القادمة. على سبيل المثال، إذا كنت ترغب في معرفة عدد المقاعد اللازمة لكل جلسة مؤتمر، فسيأخذ الوكيل في الاعتبار عدد الحضور، وأحجام الغرف، وترتيبات الجلوس، ثم يُجري الحسابات اللازمة. يُمكّن هذا النهج المعياري الوكيل من حل المشكلات المعقدة بكفاءة.

ما هي الأنواع الرئيسية لوكلاء الذكاء الاصطناعي؟

تتوفر وكلاء الذكاء الاصطناعي بأشكال مختلفة، كلٌّ منها مصمم للعمل في بيئات محددة ومعالجة مشاكل فريدة. تختلف هذه الوكلاء من حيث التعقيد والقدرات والتطبيقات، بدءًا من الأنظمة البسيطة القائمة على القواعد وصولًا إلى وكلاء التعلم المتقدمين الذين يتكيفون مع مرور الوقت. إن فهم الأنواع المختلفة لوكلاء الذكاء الاصطناعي يساعدك في اختيار الوكيل المناسب لاحتياجاتك والاستفادة من نقاط قوته بفعالية. فيما يلي بعض الأنواع الرئيسية لوكلاء الذكاء الاصطناعي:

يمكن تصنيف الوكلاء المذكورين أعلاه على أنهم تعاونيون إذا صُمموا للعمل مع وكلاء أو أنظمة أخرى لتحقيق هدف مشترك. السمة مفتاح للوكلاء التعاونيين هي قدرتهم على التواصل والتنسيق والتعاون فيما بينهم. قد يتشاركون المعلومات، أو يقسمون المهام، أو ينسقون أعمالهم لإنجاز أمر يصعب أو يستحيل على وكيل واحد إنجازه. لا ينبغي الخلط بينه وبين مفهوم الأنظمة متعددة الوكلاء.

النظام متعدد الوكلاء هو مفهوم أوسع لنظام يتألف من عدة وكلاء متفاعلين. يمكن أن يكون هؤلاء الوكلاء متعاونين، أو متنافسين، أو يعملون بشكل مستقل. يهتم النظام متعدد الوكلاء بالهيكل العام للنظام وبنيته وديناميكياته ككل.

ما هي حدود استخدام وكلاء الذكاء الاصطناعي؟

على الرغم من أن وكلاء الذكاء الاصطناعي يظهرون الكثير من الوعود، إلا أنهم ما زالوا نوعًا جديدًا نسبيًا من النظام مع العديد من التحديات، مثل:

• مخاوف بشأن خصوصية البيانات: غالبًا ما تتطلب برامج الذكاء الاصطناعي الوصول إلى كميات هائلة من البيانات، بما في ذلك معلومات شخصية حساسة. وهذا يثير مخاوف بشأن خصوصية البيانات وأمنها.

• التعقيدات التقنية: يتطلب تطوير ونشر وكلاء الذكاء الاصطناعي خبرة تقنية متقدمة، بما في ذلك معرفة الذكاء الاصطناعي والتعلم الآلي وهندسة البرمجيات.

• القدرة على التكيف مع الظروف غير المتوقعة: غالبًا ما تُصمَّم برامج الذكاء الاصطناعي لمهام أو بيئات محددة. قد تواجه صعوبة في التعميم أو التكيف مع سيناريوهات جديدة غير متوقعة دون إعادة تدريب أو إعادة تكوين جذرية.

• موارد الحوسبة المحدودة: تتطلب وكلاء الذكاء الاصطناعي، وخاصة تلك التي تعتمد على نماذج معقدة مثل التعلم العميق، موارد حوسبة كبيرة، بما في ذلك قوة المعالجة والذاكرة والتخزين.

• المخاوف الأخلاقية: قد تُعمّق برامج الذكاء الاصطناعي، دون قصد، التحيزات الموجودة في البيانات التي تُدرّب عليها، بل وتُضخّمها. إضافةً إلى ذلك، قد تفتقر عمليات اتخاذ القرار لديها إلى الشفافية، مما يُثير مخاوف أخلاقية.

ماذا بعد؟

مع تقدمنا، نشهد تزايدًا في أنظمة الذكاء الاصطناعي المركبة، وخاصةً الأنظمة الوكيلة. بالنسبة للمشكلات الأبسط والأكثر وضوحًا، قد يكفي النهج البرمجي. مع ذلك، توفر الأنظمة الوكيلة قدرةً أكبر على التكيف والكفاءة للمهام الأكثر تعقيدًا. ما زلنا في بدايات أنظمة الذكاء الاصطناعي، لكن التقدم سريع. يتيح لنا الجمع بين تصميم النظام والسلوك الوكيل ابتكار أدوات فعّالة قادرة على التعامل مع مهام متنوعة. وبينما لا تزال الرقابة البشرية مهمة في الوقت الحالي، فإن دقة وقدرات هذه الأنظمة في تحسن مستمر.