في عالم الذكاء الاصطناعي، من الضروري أن تتمكن النظم من التعامل مع المعلومات المتغيرة بفعالية وكفاءة. يوفر أسلوب 'استرجاع المعرفات المعززة' (Retrieval-augmented generation) للوكلاء إمكانية الوصول إلى المعرفة المجمعة، لكنه يفتقر لعامل الزمن، مما قد يؤدي إلى استخدام معلومات قديمة وغير دقيقة.

عندما تتغيرfacts مثل إعادة تسمية وظيفة أو إعادة هيكلة واجهة برمجة التطبيقات (API)، يسترجع النموذج المعلومات القديمة والجديدة بشكل متساوٍ تقريبًا، ما يضع الوكيل في موقف صعب بين عدم إبداء الرأي أو تقديم معلومات قديمة. تُظهر الأبحاث أن هذه مشكلة هيكلية، حيث يعجز قياس تقارب التضمين (embedding similarity) عن التفريق بين الحقائق المتناقضة والمكررة بفعالية.

لكن مع تقدم التطورات، وُلد نظام جديد يُدعى "MemStrata". يهدف هذا النظام إلى الحفاظ على دقة المعلومات عبر زمن بالاحتفاظ بالحقائق بطريقة مبتكرة. يتم تخزين المعلومات مثل الأساليب التقليدية، لكنه يضمن إبعاد المعلومات القديمة عند حدوث تناقض عبر قاعدة استبدال محددة الأعمال، مما يجعله أكثر دقة في التعامل مع المعرفة المتجددة.

أظهرت النتائج المثيرة أن نموذج MemStrata حقق دقة بين 0.95 و 1.00 في المعرفة المتطورة، مقارنةً بنموذج RAG الذي اضطر إلى تقديم معلومات قديمة بنسبة 15-40% من الوقت. لحسن الحظ، تمكن MemStrata من تقليل هذا المعدل إلى حوالي 0%، مما يجعله حلاً مبتكرًا في مجال الذكاء الاصطناعي.

وفي حين احتاج نموذج MemStrata إلى زمن استرجاع يصل إلى حوالي 2.1 ثانية، فإن نموذج إعادة ترتيب LLM يحتاج حوالي 16-18 ثانية، ما يدل على فعاليته العالية.

بفضل هذه التطورات، يفتح نظام MemStrata آفاقاً جديدة للذكاء الاصطناعي في كيفية تعامل الأنظمة مع المعرفة المتغيرة، مما يعزز من فعالية الاستخدام في شتى المجالات.