في عالم الذكاء الاصطناعي، تعتبر نماذج العالم عنصراً أساسياً لدعم التخطيط في الوكالات من خلال توقع كيفية تطور حالات البيئة استجابةً لتصرفات الوكيل. ومع ذلك، لا تزال بعض التوقعات قد تفوت الحقائق الهامة المتعلقة بالمهمة أو تفسد الخصائص الأساسية للمنتجات. هنا يأتي دور نموذج MemWM المبتكر.

يعمل MemWM على تحسين عملية التوقع من خلال دمج نظام ذاكرة مُعزز، وهو بنك ذاكرة منظم يشتمل على قواعد انتقال، ومخازن لحالات، وحقائق يصعب توقعها. هذه الذاكرة تسمح للنموذج بتكييف تخيل الحالات التالية بشكل أكثر دقة.

تظهر نتائج التقييم من خلال استخدام مؤشر دقة الحالة المهيكل (SSF) تحسناً ملحوظاً في دقة التوقع، حيث تم تسجيل زيادة تصل إلى 206.3% بالمقارنة مع نماذج SFT التقليدية. في الإعداد الكامل للتخطيط، يتم تثبيت نموذج السياسة الثلاثية، بينما يتلقى مهارات العالم المرتبطة بالسياسة، مما يوفر مهارات على مستوى المهام وإرشادات تصحيحية خطوة بخطوة.

عبر مجموعة من البيئات مثل ALFWorld وWebShop وScienceWorld، أمضى الوكلاء المعززين بالذاكرة في تحسين النجاح في المهام بنسب تصل إلى 65.4%. تُظهر التحليلات الحساسية أن الاسترجاع من الذاكرة يحسن من فعالية النجاح والكفاءة تحت إعدادات ذاكرة وميزانية فعلية متنوعة.

إذا كنت من المهتمين بتطور نماذج الذكاء الاصطناعي وتأثيرها على المستقبل، فإن نموذج MemWM يقدم رؤى مثيرة وجديدة! ما هي آراءكم حول هذا الابتكار؟ شاركونا في التعليقات.