في عالم الذكاء الاصطناعي، باتت نظم ذاكرة الوكلاء تُستخدم بشكل متزايد للحفاظ على تفضيلات المستخدمين على المدى الطويل، وحالات المهام، والحقائق المتغيرة. ولكن غالبًا ما تركز التقييمات الحالية على دقة الإجابة النهائية فقط، مما يُفقدنا رؤية هامة عن كيفية إدارة المعلومات على مدى الزمن.

لذلك، تم تقديم إطار عمل جديد يُعرف بـ MemProbe، مستوحىً من أبحاث العلوم المعرفية. يعتمد هذا الإطار على فكرة رئيسية من أبحاث الذاكرة: الذاكرة ليست ثابتة، بل هي عملية إعادة بناء تتأثر بالتدخلات، وموثوقية المصادر، والتعزيز، وإعادة التنشيط.

يحول MemProbe هذا الفهم إلى أربعة نماذج تجريبية قابلة لإعادة الاستخدام (التدخل، والتمويه، وقوة التجميع، ونافذة إعادة التجميع) والتي تدير كيفية تحديث الذاكرة، والحفاظ عليها، أو التعامل معها على أنها غير مؤكدة. إضافة إلى ذلك، يقوم بفك رموز الدقة إلى ملفات سلوكية تكشف عن كيفية تحديث الأنظمة، والحفاظ على المعلومات، ونسبها، وتنظيمها زمنيًا.

تم تنفيذ هذه الأطروحات من خلال مجموعة تشخيصية تتألف من 56 حلقة تجريبية، وتم تقييم ستة أنظمة ذاكرة تدريجية بموجب بروتوكول موحد. أظهرت النتائج أن الأنظمة التي تحقق نفس الدرجات التجميعية لديها ملفات سلوكية مختلفة، مما يقدم رؤية أعمق حول كيفية صيانة الذاكرة على مر الزمن.

إطار MemProbe ليس فقط خطوة للأمام في تحليل سلوكيات الذاكرة، بل هو أداة فعالة لفهم أداء الأنظمة بشكل أفضل. يمكن للمطورين والباحثين الاستفادة من هذه الأداة لتعزيز تجارب المستخدمين وتحسين أداء الوكلاء الذكيين في المستقبل.

للمزيد من التفاصيل، يمكن الوصول إلى الكود الخاص بـ MemProbe عبر الرابط التالي: MemProbe GitHub.