نظام ALTK-Evolve يتصدر مهام خدمة العملاء
حققت تقنية الذاكرة المُتعلّمة نتائج متقدمة على معيار τ²-bench لخدمة العملاء باستخدام نموذج GPT-4.1 ودون الحاجة لتعديل أوزان النموذج.
رضوان عبدالهاديمحرر وكاتب تقني
آلية عمل نظام الذاكرة المُتعلّمة وتجاوز النماذج الرائدة
نشرت <a href="https://huggingface.co/blog/ibm-research/altk-evolve-bc">Hugging Face Blog</a> تفاصيل تقنية جديدة حول ابتكار بحثي يعتمد على الذاكرة المُتعلّمة لتمكين الوكلاء من تصدر قوائم التقييم في مهام دعم العملاء المعقدة.
تعتمد التقنية الجديدة التي طورتها <a href="https://huggingface.co/ibm-research">ibm-research</a> على استخدام نموذج GPT-4.1 وهو نموذج أساسي أقدم ولا يعتمد على آليات التفكير المعقدة المعتادة، لتحقيق نتائج تنافسية للغاية في بيئات خدمة العملاء.
يتم تشغيل الوكيل الافتراضي عبر إطار عمل ReAct القياسي مع إلحاق إرشادات سلوكية مستخلصة خصيصاً بنص التوجيه النظامي للنموذج، مما يتيح للوكيل التعامل مع السيناريوهات المختلفة بكفاءة عالية وبدون أي تعديلات على الأوزان البرمجية الأساسية للنموذج.
التقييم عبر معيار τ²-bench لقطاعي التجزئة والطيران
يُعد معيار τ²-bench أداة دقيقة ومتقدمة لقياس مدى قدرة وكلاء الذكاء الاصطناعي على إدارة محادثات خدمة العملاء في ظل قيود واقعية وصارمة، مثل التحقق من العملاء وتأكيد المعاملات وإلغاء أو إعادة حجز الرحلات.
يتفاعل الوكيل في هذا المعيار مع عميل افتراضي يحرك النموذج بمحاكاة دقيقة، حيث يتطلب النجاح الوصول إلى تطابق تام بين حالة قاعدة البيانات النهائية والمخرجات المتوقعة ضمن بيئتي قطاع التجزئة وقطاع الطيران.
سجل الوكيل المدعوم بنظام الذاكرة المُتعلّمة معدل نجاح بلغ 67.5% في مقياس Pass^4 ضمن قطاع التجزئة، وهو مقياس صارم يتطلب نجاح الوكيل في كافة المحاولات الأربع المستقلة لكل مهمة، متجاوزاً بذلك جميع المشاركات التقليدية المدرجة في التحديث الأخير للوحة القيادة.
استخراج الإرشادات وتحليل الأداء عبر التجارب
تعتمد منهجية ALTK-Evolve على استخلاص القواعد من مسارات عمل الوكيل أثناء مهام التدريب، حيث يقوم نموذج GPT-4.1 بتحليل حالات النجاح والإخفاق وتحويلها إلى قواعد سلوكية موجزة ومباشرة، مثل آليات مصادقة العملاء أو التعامل مع المرتجعات.
يتم بعد ذلك إلحاق هذه القواعد كنص برمجي واضح بنظام التوجيه الخاص بالوكيل لاستخدامها مباشرة في المحادثات اللاحقة والمستقلة، دون الحاجة لتدخل بشرى أو إعادة تدريب شاملة.
تُظهر مقارنة الإعدادات المختلفة أن حجم الإرشادات يلعب دوراً محورياً في تحديد مستوى الموثوقية والدقة، حيث يختلف تأثير عدد القواعد المعتمدة باختلاف القطاع المستهدف وسيناريوهات العمل.
تأثير الإرشادات على دقة الأداء وموثوقية النظام
أثبتت النتائج العملية أن إضافة الذاكرة المُتعلّمة تساهم في رفع مؤشرات القدرة والموثوقية بشكل ملحوظ، حيث ارتفع متوسط الدقة في قطاع التجزئة من 78.1% إلى 82.5%، بينما صعد في قطاع الطيران من 57.5% إلى 65.0%.
على صعيد الموثوقية الصارمة، قفز مقياس Pass^4 بمقدار 10 نقاط كاملة في كلا القطاعين، مما يؤكد أن الوكيل أصبح أكثر اعتمادية وقدرة على حل مشكلات العملاء من المحاولة الأولى وحتى الرابعة دون إخفاق متكرر.
تختلف متطلبات الدعم باختلاف المجال؛ ففي قطاع التجزئة يسهم الاعتماد على مجموعة القواعد الكاملة في تحقيق أفضل قفزة ممكنة، بينما يفضل في قطاع الطيران الاعتماد على مجموعة مصغرة وعالية الثقة لتعزيز الموثوقية العامة.
التكلفة الزمنية وحجم التوكنز في المحادثات الفعلية
أظهرت التحليلات المتعلقة بتكلفة التشغيل وزمن الاستجابة أن إدخال القواعد والذاكرة المُتعلّمة لا يؤدي إلى إطالة المحادثات أو زيادة عدد تبادلات الحوار، بل على العكس من ذلك، تساهم الإرشادات في تقليل عدد دورات المحادثة بشكل طفيف لتصل إلى نحو 0.3 إلى 0.4 تبادل أقل.
يتركز الأثر المالي الوحيد في زيادة طفيفة ضمن إدخال التوكنز في بداية التوجيه، وهي تكلفة يمكن تقليصها بشكل كبير في بيئات الإنتاج الفعلية عبر تقنيات التخزين المؤقت للتوجيهات نظراً لثبات الكتلة الإرشادية عبر الاستدعاءات المختلفة.
يتيح هذا النهج تحقيق معادلة متوازنة تجمع بين ارتفاع الدقة، وزيادة الموثوقية، وخفض زمن إتمام الخدمة للعميل، متجاوزاً المقايضات التقليدية التي عادة ما تربط بين تحسين الجودة وزيادة التأخير الزمني في الأنظمة الذكية.
المصادر
- Hugging Face BlogALTK-Evolve: How learned memory tops the τ²-bench leaderboard on customer service tasks without a frontier model
تابع التسلسل الزمني
أخبار مرتبطة
آي بي إم تطلق نموذجاً جماعياً للتنبؤ بالسلع الزمنية
تقدم آي بي إم نموذج Granite Timeseries Ensemble الذي يجمع أربعة نماذج مفتوحة للتنبؤ الدقيق دون إعادة تدريب، مما يوفر حلاً موثوقاً للبيانات الصناعية والتجارية.
إطلاق نموذج LFM2.5-24B-A2B للوكلاء الأذكياء على الأجهزة
أعلنت المدونة الرسمية لـ Hugging Face عن إطلاق نموذج LFM2.5-24B-A2B المخصص لتشغيل وكلاء الذكاء الاصطناعي السريعين والخاصين على الأجهزة المحلية بكفاءة عالية.
كيف استطاع مطور بناء ستة نماذج ذكاء اصطناعي متقدمة في أيام؟
اكتشف كيف استخدم أحد المطورين وكيل ML Intern الذكي لبناء ستة نماذج ذكاء اصطناعي متخصصة ونشرها على منصة Hugging Face بتكلفة زهيدة وبأيام معدودة.
إطلاق نموذج AstaBrief المفتوح لتوليد التقارير العلمية
أعلنت منصة Asta عن إطلاق نموذج AstaBrief 8B المفتوح لتوليد التقارير العلمية بسرعة وكفاءة، مما يتيح للباحثين تشغيله محلياً عبر البنية التحتية الخاصة بهم.
