في عالم الذكاء الاصطناعي المتسارع، تحتاج الأنظمة الحوارات المطوّلة إلى ذاكرة متطورة تفهم العلاقة بين الأحداث، وليس مجرد معلومات معزولة. تطرح الدراسة الجديدة تحت عنوان StructMem نهجًا مبتكرًا يهدف إلى حل مشكلة التوازن بين الذاكرة المسطحة وذاكرة القوائم البيانية.

حيث تعتبر الذاكرة المسطحة (Flat Memory) فعالة ولكنها تعجز عن نمذجة الهيكل العلاقات، بينما توفر الذاكرة القائمة على الرسوم (Graph-based Memory) تفكيرًا هيكليًا، إلا أنها تتطلب موارد كبيرة جداً للبناء.

مع StructMem، تم تطوير إطار عمل ذاكرة هيكلية هرمية يلتقط الروابط بين الأحداث مع المحافظة على الأحداث في التسلسل الزمني. هذا النظام يقدم تحسينات ملحوظة على التفكير الزمني والأداء متعدد الخطوات فيما يخص الاستفسارات عبر حزمة LoCoMo، فضلاً عن تقليل استخدام الرموز (Tokens) ومكالمات واجهة البرمجة (API calls) وأوقات التنفيذ.

بهذا الشكل، يغيّر StructMem طريقة تفاعل الذكاء الاصطناعي مع المعلومات، مما يجعله أداة قوية تفتح آفاق جديدة في محادثات الذكاء الاصطناعي المعقدة.