في عالم تكنولوجيا الذكاء الاصطناعي، تتزايد الحاجة إلى أنظمة قادرة على معالجة المعلومات بشكل فعّال من خلال تفاعلها مع الواقع. وقد تمثل GROVE خطوة بارزة في هذا الاتجاه.

تقدم GROVE (GROWing and Reasoning over Temporally Stratified Memory) إطارًا مبتكرًا يتيح لمساعدات القابلة للارتداء أن تقوم بإجابة استفسارات حول تاريخها المرئي بالإضافة إلى التعرف على متى يكون هذا التاريخ مفيدًا في الحالة الحالية.

تقليديًا، كانت أنظمة ذاكرة الفيديو موجودة لدعم استرجاع المعلومات وفقًا للأسئلة، بينما كانت المساعدات الاستباقية تستخدم آليات ذاكرة تحكم منفصلة. ومع GROVE، يتم دمج هذين السلوكين في نظام واحد باستخدام ذاكرة طبيعية تنمو بشكل مستمر من تيار فيديو.

تحتفظ GROVE بأدلة إدراكية دقيقة وتقوم بتجميعها تدريجيًا إلى لحظات مؤرخة، أو حلقات متماسكة، أو أنماط تعبر عبر الأيام. كل طبقة مزودة بمهارة استرجاع ملائمة لمكان لتحديد المشاهدة، أو إعادة تشغيل نشاط، أو التنقل عبر النظاميات بعيدة المدى.

تشارك كل من الأسئلة التفاعلية (Reactive QA) والمساعدة الاستباقية (Proactive Assistance) هذه الذاكرة، ولكنها تختلف في ما إذا كان الاسترجاع يبدأ بواسطة استفسار من المستخدم أو يعتمد على السياق الحالي. وبفضل الأداء المتميز في اختبارات متعددة، بما في ذلك MM-lifelong وEgoServe، حققت GROVE أفضل النتائج مقارنةً بالطرق الأخرى.

تُظهر التجارب المعتمدة أن الطبقات الزمنية ومهارات وصولها تكمل بعضها البعض، مع تقديم الأنماط أكبر فائدة عندما يمتد الدليل على مدار أيام عدة.

غالبًا ما يؤدي مثل هذه التطورات إلى تحسين فعالية المساعدات الذكية، ويجب علينا جميعًا متابعة تطورات GROVE. لطالما كانت بيئة عمل الذكاء الاصطناعي مجالًا شيقًا، ومع GROVE، يبدو أننا على شفا عصر جديد من الإبداع والتقدم.