تتزايد الحاجة إلى وكلاء الذكاء الاصطناعي التفاعلي القادرين على إدارة المحادثات بشكل فعال. ومع ذلك، فإن الأنظمة الحالية تعتمد بشكل كبير على نماذج اللغة الضخمة (Large Language Models) لتلخيص المحتوى، مما يؤدي إلى زيادة التكاليف وعدم الحتمية في اتخاذ القرارات. هنا جاء دور إطار الذاكرة الحتمي (DMF) لتقديم حلاً مبتكرًا.

إطار DMF يتبنى نهجاً يركز على وحدة المعالجة المركزية (CPU) ويستبدل عملية ضغط الذاكرة التوليدية بنظام حتمي كامل يعتمد على تحليلات اللغة الطبيعية التقليدية، وهندسة المتجهات، والتقييم الرياضي. في هذا النظام، يتم تخصيص كل تفاعل محادثي لنقطة بقاء (Survival Score) يتم حسابها بناءً على إشارات المحتوى الحتمية، والإشارات المحادثية، والأصول المنظمة، مما يؤدي إلى تقييم أكثر دقة.

تعتمد هذه المنظومة على قانون انحلال تفاعل العد، مما يعني أن أهمية التفاعل تتطور وفقًا لعدد التفاعلات الجديدة بدلاً من الوقت الفعلي، وهذا يضمن الحفاظ على الحتمية الكاملة. وقد أجريت تجارب على مجموعة بيانات مصممة خصيصًا لهذا الغرض، حيث قارن الفريق DMF مع طبقة الذاكرة الشهيرة Mem0.

وأظهرت النتائج أن DMF يمكن أن يحقق دقة مساوية مع استخدام صفر نفقات توكن (token) لتحضير سياق الذاكرة، وأيضًا معدل تقليل بين 5x إلى 242x في إجمالي المحادثة. من الواضح أن DMF يمثل خطوة هائلة نحو القضاء على اتصالات نماذج اللغة الضخمة من حلقة إدارة الذاكرة، مما يقلل تكاليف الرموز إلى ما يقارب الصفر، ويفتح الأبواب أمام أنظمة ذاكرة حتمية للمساعدين الذكيين.

في عالم يتزايد فيه الاعتماد على الذكاء الاصطناعي، هل تعتقد أن هذه التقنية ستغير طريقة تفاعلنا مع التكنولوجيا؟ شاركونا آراءكم في التعليقات!