في عالم الذكاء الاصطناعي، تعتبر إدارة الذاكرة عاملاً حيوياً في تعزيز التفاعل مع نماذج اللغات الضخمة (LLMs). بينما تناولت الأبحاث السابقة كيفية استرجاع واستخدام الذاكرة، إلا أنها لم تعطي أهمية كافية لكيفية استخراجها بشكل فعّال. لقد أظهرنا من خلال دراسة حديثة وجود محدوديتين رئيسيتين في الأساليب الحالية.

الأولى تتعلق بأن عملية الاستخراج تتم "مسبقاً"، مما يعني أن النظام يشدد على إدخال المعلومات قبل أن يتعرف على المهام المستقبلية. هذه الطريقة تؤدي غالباً إلى فقدان معلومات مهمة، حيث يتم دمج التفاصيل والأحداث والعلاقات في ملخصات واحدة.

المحدودية الثانية تتمثل في أن الاستخراج غالباً ما يكون لمرة واحدة فقط. إذا لم يتم التحقق، فإن الأخطاء يمكن أن تبقى في الذاكرة لفترات طويلة، مما يُعزز من التوتر في المعلومات.

لمعالجة هذه التحديات، قدمنا إطار العمل ProMem، الذي يوفر نهجاً مبتكراً لاستخراج الذاكرة. حيث يقوم بتفريق التفاصيل والأحداث والعلاقات، ويعتمد استراتيجيات استخراج مختلفة لكل نوع. بالإضافة إلى ذلك، يتحقق من اكتمال المعلومات لاسترجاع الأحداث المفقودة ويتحقق من الحقائق على المستوى الذري للحد من الهلاوس.

أظهرت التجارب أن ProMem يحسن من اكتمال الذاكرة ودقة الأسئلة والأجوبة (QA)، مع الحفاظ على توازن جيد بين الجودة وتكلفة الرموز.

بهذا، يخطو الذكاء الاصطناعي نحو مستقبل أكثر تفاعلاً وشخصياً. ما هي آرائكم حول هذا الإطار الجديد؟ هل تتوقعون أن يؤثر على كيفية تفاعل الأنظمة الذكية معنا؟ شاركونا في التعليقات.