في عالم الذكاء الاصطناعي، يُعتبر التعلم من الأمثلة المصنفة أمرًا بالغ الأهمية لتطوير الوكلاء الذكيين. ولكن كيف يمكن لهؤلاء الوكلاء التعلم بفعالية دون الحاجة لتحديث معقد للنماذج؟ هل يمكن الاعتماد على الذاكرة لتعزيز قدرتهم على التعلم والتكيف؟

هذا ما يسعى البحث الجديد إلى استكشافه، حيث قام الباحثون بتطوير إطار عمل مبتكر يعتمد على نماذج لغة مدربة مسبقًا (Pretrained Large Language Models) ويستخدم الذاكرة الدلالية (Semantic Memory) والتجريبية (Episodic Memory) لتعزيز أداء الوكلاء.

إطار العمل المقترح يعتمد على تخزين الملاحظات النقدية المستندة إلى البيانات المصنفة في الذاكرة التجريبية، مما يسمح للوكيل بتجميع التجارب السابقة واستخدامها عند الحاجة، بينما تعمل الذاكرة الدلالية على اختصار هذه المعلومات إلى إرشادات قابلة للاستخدام في مستوى المهام.

ووفقًا للدراسة، فقد أظهرت الإستراتيجية الأفضل للتقييم الذاتي استخدام كل من الذاكرتين المذكورتين، حيث حققت تحسينًا بمعدل 8.1 نقطة مئوية مقارنة بالأساس، و4.6 نقطة مئوية مقارنة بالأساس القائم على نموذج RAG الذي يعتمد فقط على البيانات المصنفة.

كما تناول البحث مفهومًا جديدًا يسمى "قابلية الاقتراح" (Suggestibility)، وهو مقياس يوضح مدى تقبل النموذج للتفكير الخارجي المُقدّم له. هذه المقاييس تُساعد على فهم متى ولماذا تنجح أو تفشل الذاكرة في تعزيز التعلم.

بالإضافة إلى ذلك، أظهرت النتائج أن استخدام الملاحظات المعدة مسبقًا يمكن أن يقلل من الوقت المستغرق في التفكير للنماذج بنسبة تصل إلى 31.95% عبر مختلف مجموعات البيانات، مما يجعل العمليات أكثر كفاءة وفاعلية.

تُسلط الدراسة الضوء على أهمية استخدام التعلم المدعوم بالذاكرة كاستراتيجية خفيفة، يمكن تفسيرها بوضوح، وفعالة لتحسين تكيف نماذج الذكاء الاصطناعي. في ختام هذا البحث، يبقى السؤال: كيف يمكن أن يؤثر هذا النهج على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!