MIT-dən Yeni Çərçivə: "EnCompass" AI Agentlərinin Səhv Düzəltmə Kodunu 80% Azaldır

Süni intellekt (AI) alətləri artıq elm adamları, CEO-lar və maliyyə-insan resursları kimi müxtəlif sahələrdə işləyən mütəxəssislər üçün vacib köməkçilərə çevrilib. Bu mütəxəssislər, xüsusən də, böyük dil modellərindən (LLM) istifadə edən yarım-muxtar proqram təminatı sistemləri olan AI agentlərinin imkanlarından geniş şəkildə faydalanırlar. Bu agentlər müəyyən tapşırıqları yerinə yetirmək üçün çox güclü və uyğunlaşa biləndirlər. Lakin bir AI agentini proqramlaşdırarkən, proqramçı iş axışını təsvir etməli və LLM-in nə zaman istifadə ediləcəyini dəqiq göstərməlidir. Ən böyük problem isə LLM-lər səhv etdikdə ortaya çıxır. Ənənəvi yanaşmada, agentin əvvəlki addımlara qayıtması (backtrack) və səhvlərdən dərs alaraq yeni cəhd etməsi üçün mürəkkəb kod yazmaq lazım gəlir. Əgər kod bazasını tərcümə edən bir sistem minlərlə sətir koddan ibarətdirsə, səhvləri düzəltmək üçün eyni miqdarda əlavə kod yazmaq lazım gələ bilər. Bu isə proqramlaşdırma səyini iki qat artırır.

Proqramçıların vaxtına və zəhmətinə qənaət etmək məqsədilə, MIT-in Kompüter Elmləri və Süni İntellekt Laboratoriyasından (CSAIL) və Asari AI şirkətindən olan tədqiqatçılar "EnCompass" adlı yeni bir çərçivə hazırlayıblar. EnCompass, LLM səhv etdikdə avtomatik olaraq əvvəlki vəziyyətə qayıdır və yenidən cəhd edir. Bu sistem həmçinin proqramın işləmə müddətinin "klonlarını" yarada bilir; beləliklə, LLM-in müxtəlif mümkün nəticələri əsasında agentin gedə biləcəyi fərqli yollar arasında ən yaxşı həlli tapmaq üçün bir neçə cəhdi eyni vaxtda sınaqdan keçirir. Proqramçıların artıq əllə bu dəyişiklikləri etmək məcburiyyətində qalmırlar. Onlar yalnız geri qayıdış və ya klonlaşdırma istənilən yerləri qeyd etməklə məşğul olurlar. Həmçinin, axtarış strategiyasını (məsələn, Monte Carlo ağac axtarışı və ya şüa axtarışı) ayrıca təyin edə bilərlər.

Aparıcı müəllif Zhening Li qeyd edir ki, EnCompass axtarış strategiyasını AI agentinin əsas iş axışından ayırır. Bu ayrılma proqramçılara asanlıqla fərqli strategiyaları sınamağa və agentin ən yaxşı nəticə verməsini təmin edən yolu tapmağa imkan verir. Tədqiqat nəticələri göstərdi ki, EnCompass axtarış məntiqini tətbiq etmək üçün tələb olunan kodun miqdarını kəskin şəkildə azaldır, bəzən 80 faizə qədər qənaət edir. Məsələn, Java kodunu Python dilinə çevirən bir agent üzərində tətbiq edilərkən, EnCompass istifadəsi əl ilə proqramlaşdırmadan 348 sətir (təxminən 82 faiz) az kod tələb etmişdir. Bu çərçivə sayəsində, tədqiqatçılar fərqli axtarış strategiyaları ilə sınaqlar keçirərək kod çevrilməsi tapşırıqlarında 15-40 faiz dəqiqlik artımı əldə ediblər. Həmmüəllif Armando Solar-Lezama vurğulayır ki, LLM-lər proqram təminatının mühüm hissəsinə çevrildikcə, onların güclü tərəflərindən ağıllı şəkildə istifadə edən və məhdudiyyətlərini idarə edən alətlər yaradılması böyük əhəmiyyət daşıyır. EnCompass gələcəkdə böyük miqyaslı kod kitabxanalarının idarə edilməsi və elmi təcrübələrin layihələndirilməsi kimi tapşırıqları asanlaşdırmağa kömək edəcək.