في عالم الذكاء الاصطناعي، تعتبر الذاكرة ركيزة أساسية لوكلاء النماذج الكبيرة (LLMs). تتمثل الذاكرة المستدامة في القدرة على الاستمرارية عبر الجلسات، مما يمكن الوكلاء من التذكر والتعديل والتخصيص. ومع ذلك، فإن خطتها متعددة المراحل (الاستيعاب، الاسترجاع، التصفية، والتوليد) تجعل من تحدي تحديد الأخطاء أمرًا صعبًا. في هذا السياق، تم تقديم بروتوكول D²ACCI (التكرار المغلق القائم على التشخيص) كحل مبتكر لمواجهة هذه التحديات.

Bروتوكول D²ACCI يعمل كمرشح لتحديد مداخل الذاكرة ومعالجتها بناءً على أدلة مرتبطة، مما يجعل عملية التشخيص أكثر فعالية. يقدم هذا البروتوكول أيضًا مقياس DCR، الذي يقيس ما إذا كانت الأخطاء يمكن تحديد موقعها بدقة، بالإضافة إلى D²ACCI-Eval كأداة قابلية لإعادة الاستخدام لعائدات البوابة.

تم اختبار البروتوكول في MemStack وتحقيق درجات مثيرة للإعجاب على ثلاثة معايير عامة، حيث بلغت النسبة 93.59% في LoCoMo و90.93% في LongMemEval و57.20% في PersonaMem-V2.

أظهرت التجارب المقترنة أنه من خلال تحسين تقنيات الاستخراج والتذكر، يمكن تحقيق مكاسب إحصائية ملحوظة. كما أن التدقيق التشخيصي أظهر تحسنًا كبيرًا في التوافق مع جذور السبب مقارنة بالتقارير التي تعتمد فقط على النتائج.

تثبت هذه النتائج أن تطوير نظام ذاكرة قوي يتطلب أدلة يمكن تتبعها وقائمة على إحصاءات، وهو بالضبط ما يقدمه D²ACCI. ما رأيكم في هذا التطور في إدارة ذاكرة الذكاء الاصطناعي؟ شاركونا في التعليقات!