تعتبر الذاكرة المستقبلية (Prospective Memory) أحد الجوانب الحيوية في الذكاء الاصطناعي، حيث تمكن الوكيل (Agent) من الاحتفاظ بنية مرتبطة بشرط مستقبلي. إلا أن هذه النية المخزنة لا تفصح عن مدى تحقق الشرط في اللحظة الحالية، مما يتطلب أحيانًا الوصول إلى الويب، واستخدام أدوات متعددة الخطوات، وأحيانًا حتى مكالمات مدفوعة. عانت الأنظمة الحالية من عدم القدرة على تخصيص الملاحظات الناتجة عن النوايا ضمن ميزانية مشتركة، مما يؤدي إلى عدم الكفاءة.

في هذا البحث، نقدم نموذج BudgetPM الذي يمثل أول صياغة لتخصيص الموارد للملاحظات الخارجية المطلوبة من النوايا المخزنة تحت ميزانية episode مشتركة. يتضمن BudgetPM نوعين من السياسات، حيث يستخدم BudgetPM-Static آلة تسجيل خفيفة الوزن (Lightweight) لتحديد ما إذا كانت المراجعة تحسن القرار الحالي، بينما يقوم BudgetPM-Sequential بتقطيع المواعيد الزمنية الكاملة إلى سياسة خفيفة تقرر متى يجب تخصيص أو حجز الموارد باستخدام المعلومات المتاحة قبل الاستفسار.

لقد تمت مقارنة BudgetPM مع نظامين للذاكرة العامة، وخمسة قياسات مماثلة، وأربعة قواعد مصممة يدويًا لمراقبة الميزانية أو تعديلها. أظهرت النتائج أن كلا النوعين من BudgetPM قد تجاوز أداء الأنظمة الأخرى بشكل كبير، حيث قام BudgetPM-Static بتحقيق جودة تنافسية وكفاءة تكلفة تبلغ 99.9-100% مع 42-54% أقل من الملاحظات. وفي حالات الندرة الحادة، قد تفوق BudgetPM-Sequential على أقوى جدول زمني عام بمعدل 1.92-2.58 نقطة Set F1.

تشير هذه النتائج إلى قاعدة تصميم تعتمد على الطلب والقدرة: حيث يعمل التحكم المحلي عندما تغطي القدرة الطلب، بينما يضيف الإشراف المستقبلي قيمة عندما تتنافس الملاحظات عبر الزمن. لذا، يعكس هذا البحث تقدمًا ملحوظًا في مجال الذكاء الاصطناعي وإمكانياته في تحسين إدارة الذاكرة المستقبلية.