مع تطور مهام اتخاذ القرارات المتتابعة، تزداد التكاليف المرتبطة بالاحتفاظ بسجلات كاملة من التفاعلات. في هذا السياق، خرجت مؤخراً مجموعة من الأبحاث بمقترح لتقليل أطوال السجل من خلال الاعتماد على ملخصات مختصرة بلغة طبيعية، مما يجعل عملية اتخاذ القرار أكثر كفاءة وبساطة.

ومع ذلك، تكشف الدراسات أن هذه النماذج لا تزال تعاني من ضعف الأداء مقارنة بالنماذج التي تمتلك الوصول الكامل إلى السجل، حيث تعتبر تلك الملخصات غير كافية. هنا يأتي دور ABBEL، الإطار الجديد الذي يسعى إلى معالجة هذه الفجوة. يعتمد ABBEL على ملخصات متكررة تتعامل مع محتوى المعلومات في شكل حالات اعتقاد (Belief States) بلغة طبيعية.

أجريت تحليلات على حالات الاعتقاد المنتجة بواسطة النماذج الرائدة تحت إطار ABBEL عبر خمسة مجالات، وأظهرت النتائج أن الأداء يتدهور غالبًا نتيجة لعدم تقديم المعلومات بشكل صحيح أو تحديثها.

كما تم اكتشاف أن بعض النماذج تستخدم الذاكرة بطرق غير فعالة من خلال الاحتفاظ بمعلومات زائدة. لإصلاح هذه المسائل، تم تحسين النموذج باستخدام طريقتين تعتمد على التعلم المعزز (Reinforcement Learning): تصنيف الاعتقاد (Belief Grading) الذي يقلل من الأخطاء عبر مكافأة توليد الاعتقادات بناءً على محتواها المعلوماتي، وعقوبات الاعتقاد العالي (Peak Belief Penalties) التي تشجع على ضغط الاعتقادات ذات الوزن الذاكري العالي.

بفضل هذه الأساليب، تبرز نتائج ABBEL، حيث تم تقليص الفجوة في الأداء مع النماذج ذات السياق الكامل بشكل ملحوظ، وتمكن النموذج الجديد من التفوق على الأعمال السابقة بنسبة 40% مع استخدام 67% فقط من الذاكرة. يمكن العثور على الشيفرة المصدرية لهذا النظام المثير على الرابط: [رابط_المقال].

هل تعتقد أن هذه التقنية ستحدث طفرة في كيفية تعامل الذكاء الاصطناعي مع البيانات؟ شاركونا آراءكم في التعليقات!