في عالم الذكاء الاصطناعي، تعتبر القدرة على تعلم من التجارب الماضية وتخزينها بشكل فعّال واحدة من أهم التحديات التي تواجه الباحثين. ولحسن الحظ، تقدم الدراسة الجديدة آلية EVAF (Echo-Valence Attractor Field) التي تهدف إلى تحسين قدرة نماذج الذكاء الاصطناعي على الاستفادة من التجارب السابقة.

تتمثل الفكرة الأساسية لـ EVAF في تقديم آلية توطين ذات معايير محددة يمكن استخدامها في نماذج مثل GPT-2 وTinyLlama. تساعد هذه الآلية على تعزيز توطين التجارب ذات القيمة العالية والمفاجئة، بينما تحافظ على إمكانية الوصول إلى المعلومات الدقيقة من خلال مسار ذاكرة موجه مكمّل.

تُظهر القياسات التي تم تجميعها في اختبارات إعادة القياس أن EVAF تفوّقت بشكل ملحوظ على طرق التحديث التقليدية مثل التحديث المستمر غير المُغلق أو استخدام استرجاعات المعلومات فقط. حيث تحقّق هذه التقنية استدامة سلوكية أكبر بعد مواجهة الاضطرابات، مع تقليل إنحراف المعلمات وتلوث الشخصية عبر التفاعلات المختلفة.

تؤكد النتائج على الفروق بين الوصول إلى الذاكرة وعمق الذاكرة، مما يعني أن استرجاع معلومة ما ودمج تجربة معينة هي عمليات حسابية مختلفة تماماً. وبالتالي، يفتح هذا الابتكار آفاقًا جديدة لتعزيز تجربة استخدام نماذج الذكاء الاصطناعي في مختلف التطبيقات.