«كلو لوب» يفك ارتهان الوكلاء للنماذج المعلمة: حلقة تدريبية تصنع مهامها ذاتيا

تعتمد معظم الفرق الهندسية التي تبني وكلاء برمجيين أذكياء على نموذج خارجي أعلى قدرة لتوليد سيناريوهات العمل، وتجميع مسارات التنفيذ، وتلقين النموذج الأصغر في تدريب لمرة واحدة ينتهي بمجرد اكتماله. هذه المعمارية التقليدية تضع سقفًا صلبًا لا يمكن تجاوزه، إذ تظل كفاءة الوكيل محاصرة بقدرات النموذج المعلم وخاضعة لتحيزات التقييم البشري الذي يُستهلك خارج حلقة التطوير بدل أن يغذيها. قدم فريق من سبعة باحثين، يتقدمهم هانسي يانغ ولينجي هاو وهونغيان هاو، ورقة بحثية عبر منصة «أركايف» بعنوان «كلو لوب: وكلاء يطورون أنفسهم عبر حلقة تدريب أصلية داخل بيئة التشغيل»، لكسر هذه التبعية وبناء نظام ذاتي التحسين ينشط داخل بيئات الحاويات البرمجية المستقلة.

يقوم إطار «كلو لوب» على تجاوز الحاجة إلى أي نموذج معلم خارجي، مع تقليص الاعتماد على التوجيه المسبق إلى أدنى حد ممكن. تنطلق الورقة من واقع انتشار النماذج اللغوية داخل بيئات التشغيل المعزولة، حيث يتعامل الوكيل مباشرة مع سطر الأوامر وأنظمة الملفات وقذائف الحوسبة. ولتحقيق التطوير الذاتي المستمر، تصوغ المعمارية المقترحة دورة مغلقة تتألف من ثلاث مراحل متتابعة تغذي كل مرحلة منها الخطوة التالية بدقة صارمة.

تبدأ الدورة بمرحلة توليد المهام التدريبية عبر مسارين بنائيين متكاملين، يطبقان نموًا في مستوى الصعوبة مشروطًا بنتائج التشخيص السابق، وتخضع المهام المتولدة لطبقتي تدقيق: الأولى مجردة لا تعتمد على الوكيل، والأخرى مبنية على سلوكه لاختبار الصلاحية. تلي ذلك مرحلة التدريب الفعلي لتحديث أوزان الوكيل باستخدام الضبط الدقيق الخاضع للإشراف، أو التعلم المعزز، أو الجمع بينهما معًا. وتكتمل الحلقة بمرحلة التشخيص والتغذية الراجعة، حيث يجري تحليل سلوكيات الوكيل ومسارات إنجازه لإنتاج تقرير تحليلي يقيس كفاءته ويوجه المرحلة التالية من توليد المهام وفق مكامن القصور المكتشفة.

اختبر الباحثون المعمارية على نموذج «كيوين 3.6» بحجم 27 مليار معامل ليكون هو نموذج الحلقة، وحقق الإطار مكاسب تصاعدية مستمرة عبر منصات القياس «سكيلز بنش» و«كلو إيفال لايف» و«كلو جيم بنش». وللتأكد من أن جودة البيانات لا ترتبط بحجم النموذج المشغل للحلقة وحده، نُقلت المهام المنقحة تدريجيًا إلى نموذجين أصغر حجمًا هما «كيوين 3.5» بحجم 4 مليارات معامل و9 مليارات معامل، حيث سجلا تحسنًا ملموسًا عبر كافة المقاييس، مما يثبت استقلالية البيانات التدريبية وجدواها لنماذج الحافة.

يحمل هذا التحول دلالة عملية مباشرة للفرق التقنية ومراكز البيانات في الخليج ومصر والمنطقة، لا سيما لدى الجهات المالية والحكومية التي تفرض قيودًا صارمة على سيادة البيانات. بناء الوكلاء لأتمتة مهام الخوادم أو فحص الشيفرات البرمجية لا يحتمل إرسال سجلات الأوامر وهياكل الملفات الحساسة إلى واجهات برمجة سحابية خارجية لتعمل بمثابة معلم. الاعتماد على حلقة داخلية ذاتية التطوير تعمل على نماذج مفتوحة الأوزان يتيح للمؤسسات تدريب وكلاء متخصصين داخل بيئتها المعزولة دون تسريب أسرار البنية التحتية، مع خفض فواتير الاستدعاء المتكرر للنماذج الاحتكارية.

يتغير هنا أيضًا نمط الكفاءة المطلوبة من مهندسي الذكاء الاصطناعي في المنطقة؛ فالتركيز ينتقل من هندسة الأوامر وتصنيف البيانات يدويًا إلى هندسة بيئات العزل، وتصميم مقاييس التشخيص الآلي، وبناء حلقات التعلم المعزز التي تتيح للنظم البرمجية إصلاح مساراتها ذاتيًا كلما واجهت مهام حوسبة أكثر تعقيدًا.