تتطلع الأبحاث في مجال الذكاء الاصطناعي (AI) إلى تحسين تفاعل الوكلاء الذكيين (Intelligent Agents) مع المستخدمين، وذلك من خلال تطوير أنظمة تتسم بالذكاء والتفاعلية. في هذا الإطار، يبرز نموذج GAAMA كأحد الابتكارات الرائدة، وهو اختصار لـ Graph Augmented Associative Memory. يعتمد هذا النموذج على تنفيذ ثلاث مراحل رئيسية تهدف إلى تعزيز الذاكرة الطويلة الأمد وتقديم تجارب مخصصة للمستخدمين.

تبدأ عملية إعداد GAAMA بالخطوة الأولى حيث يتم حفظ الأحداث بشكل دقيق، مما يسمح للوكلاء بالاحتفاظ بالتفاصيل الحيوية للمحادثات السابقة. يلي ذلك استخراج حقائق ذرية وعقد مفاهيم (Topic-Level Concept Nodes) باستخدام نماذج اللغات الضخمة (Large Language Models)، مما يزيد من دقة الفهم تفاعليًا. أخيرًا، تتم معالجة الانعكاسات العليا لتكامل المعلومات من خلال بناء رسومات بيانية ذات صلة.

يستخدم GAAMA أربعة أنواع من العقد (Nodes) وهي: عقد الأحداث، الحقائق، الانعكاسات، والمفاهيم، متصلة بخمسة أنواع من الحواف (Edges). هذا التصميم الفريد يسمح بتجاوز مشكلة التأثيرات السلبية الموجودة في الرسوم البيانية التقليدية، مما يمنح البيانات ترابطًا أوثق.

تتميز آلية الاسترجاع في GAAMA بالاعتماد على خوارزمية تقدير القرب المقترب من نوع الكوسينوس (Cosine Similarity) مما يعزز من فعالية النتائج التي يحصل عليها المستخدم. كما تم تضمين طبقة تصحيح تُعرف باسم GRAFT، والتي تتولى مهمة تشخيص الأخطاء في الاسترجاع وإجراء الإصلاحات الضرورية على الرسوم البيانية المعرفة.

في التجارب المُجراة على مجموعة بيانات LoCoMo-10، حقق GAAMA متوسط مكافآت بلغ 79.1%، مما يمثل تحسينًا ملحوظًا قدره 4.2 نقطة مئوية مقارنة بالطرق التقليدية المتبعة. ولتحقيق أداء مُشابه، تهز GAAMA الموازين في ثلاثة مجالات، بما في ذلك السفر الجماعي، التسوق عبر الإنترنت، والبحث التدريجي، حيث استمر في التفوق مع زيادة تعقيد المحادثات.

يتضح من هذه النتائج أن GAAMA لا يحقق فقط إنجازات في مجالات متعددة، بل إنه يحافظ على مستوى موحد من الأداء الجيد عبر كل الفئات، مما يميزه بين منافسيه.