في عالم الذكاء الاصطناعي وتعلم الآلة، تتزايد أهمية القدرة على التعامل مع المعلومات تحت ظروف عدم اليقين. تصدت دراسة جديدة لمشكلة حيوية تتعلق بتحويل الذاكرة القصيرة إلى طويلة الأمد (Short-Term-to-Long-Term Memory Transfer) في بيئات تعلم متغيرة.

تتطلب عملية التعلم من البيئة مع وجود عدم وضوح جزئي تحديد المعلومات التي يجب الاحتفاظ بها. وغالبًا ما تفشل الأساليب المعتمدة على الذاكرة في نمذجة هذه العملية بشكل دقيق. لذلك، جاء الباحثون بفكرة مبتكرة تتمثل في دراسة عملية نقل الذاكرة ضمن إعدادية رسومات المعرفة (Knowledge Graph).

تقترح الدراسة معالجة هذا التحويل كإشكالية اتخاذ قرار قائم على القيم (Value-Based Decision Problem) يتم فيه اختيار المعلومات المطلوبة، سواء للاحتفاظ بها أو التخلص منها، من قبل العميل عن كل مجموعة مؤشرات (Triple Observed) قبل إدراجها في الذاكرة طويلة الأمد.

للتعامل مع تباين الحجم في الذاكرة قصيرة الأمد، استخدم الفريق تصميم Q-learning لكل عنصر (Per-Item Q-Learning) مع معلمات مشتركة، وتحديث مؤقت عملي يتضمن عناصر متطابقة عبر خطوات متتالية.

عند اختبار الأداء باستخدام تقييم RoomKG مع سعة ذاكرة طويلة الأمد تبلغ 128، أثبتت قرارات النقل المكتسبة كفاءتها، متفوقة على الأساليب الرمزية والعصبية التقليدية. بما في ذلك الأساليب الرمزية التي تعتمد على البيانات الزمنية، وLSTM/Transformer المعتمدة على التاريخ.

أظهرت نتائج تجارب سياسات النقل المختلفة أن نسخة محلية خفيفة الوزن تركز فقط على الذاكرة القصيرة الأمد كانت الأفضل أداءً. كما أظهرت تحليلات سلوكية على مستوى الخطوات أن هذه السياسة تحتفظ بالمعلومات ذات الصلة بالتنقل والاستعلام، مع التخلص من الحقائق الأقل قيمة، مما يدعم قرارات الذاكرة الصريحة والقابلة للتفسير في ظل قيود الذاكرة.

هل أنتم متحمسون لمتابعة تطور الذكاء الاصطناعي وتحسينه بهذه الطريقة؟ شاركونا آرائكم في التعليقات!