في عالم يتسارع فيه تأثير الذكاء الاصطناعي، تأتي تقنية DeltaMem كابتكار مُبهر في مجال نماذج اللغة الكبيرة (Large Language Models - LLM). تعتمد الوكلاء المدعومون بنماذج LLM بشكل متزايد على الذاكرة لتعلم من تجاربهم في تفاعلات مستمرة، ولكن تخزين التجارب كوحدات مستقلة قد يؤدي إلى تكرار كبير وصراعات في الاسترجاع. فماذا يقدم DeltaMem؟

تسهم DeltaMem في تنظيم ذاكرة التجربة عبر استخدام نظام شجري خاص. حيث يقترح العلماء أن التجارب الجديدة عادة ما تكون تعديلًا تدريجيًا للمعرفة الموجودة مسبقًا. هذا النموذج التنظيمي ينقسم إلى شجرتين مستقلتين، واحدة لتخزين تجارب المهام المستندة إلى الأهداف كمهارات قابلة للإعادة، والأخرى لمعرفت البيئة على مستوى المشهد.

تستفيد كل شجرة من جذر لتجارب أساسية عامة وعقد دلتا (delta nodes) لتعديلات جديدة، مما يسمح بتقاسم الأسس المشتركة بين التجارب دون تكرارها. آلية البحث في الاسترجاع تستخدم مسح تشابه معاقب على الفشل لتحديد أفضل المطابقات، مما يُمكن من إعادة بناء التجربة الكاملة عبر سلسلة من المكونات.

واحدة من الميزات الفائقة في DeltaMem هي القدرة على تكثيف المسارات عالية التكرار إلى عقد جذر جديدة، مما يُتيح للأشجار أن تُنظم ذاتيًا من العموميات إلى المتغيرات المتخصصة. وقد أظهرت التجارب عبر بيئات تفاعلية متنوعة أن DeltaMem يتفوق بشكل مستمر على الأسس الموجودة.

لإلهام المزيد من الأبحاث في هذا المجال المثير، قام المطورون بإتاحة الكود الخاص بتقنية DeltaMem عبر الرابط: https://github.com/import-myself/DeltaMem.

هل تعتقد أن هذه التقنية يمكن أن تحدث ثورة في كيفية استخدام الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!