Learning What to Share and What to Personalize: Hierarchical Strategy Co-Evolution for Agent Memory
تقترح هذه الورقة إطار عمل HiPS، وهو إطار هرمي يطور بشكل مشترك استراتيجية ذاكرة مشتركة عالمياً مع قواعد تكيفية خاصة بكل مستخدم لتحسين ما تحتفظ به الوكلاء أو تتخلص منه من المعلومات ديناميكياً من أجل التفاعلات الشخصية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الذكاء الاصطناي المتطور بسرعة، يعمل الباحثون على تعليم البرامج الحاسوبية كيف تعمل كمساعدين شخصيين، قادرين على إجراء محادثات طويلة وتذكر التفاصيل حول الأشخاص الذين يتحدثون إليهم. ولكي تكون هذه الوكلاء الرقمية مفيدة حقًا، يجب أن تفعل أكثر من مجرد معالجة الكلمات المنطوقة في اللحظة الراهنة؛ فهي بحاجة إلى بناء ملف تعريف دائم للمستخدم، يسترجع التفضيلات السابقة، والحالات العاطفية، وأحداث الحياة. ومع ذلك، يمكن للمحادثات البشرية أن تمتد لآلاف الدورات، مما يخلق كمية هائلة من المعلومات التي لا يستطيع أي حاسوب استيعابها في ذاكرته الفورية دفعة واحدة. ويكمن التحدي في تقرير ما يجب الاحتفاظ به وما يجب نسيانه. فإذا تذكر الوكيل القليل جدًا، فإنه يصبح كثير النسيان وعامًا؛ وإذا تذكر الكثير جدًا، فإنه سيغرق في التفاصيل غير ذات الصلة ويفقد قدرته على التركيز على ما يهم. والهدف هو إيجاد طريقة لتنسيق ملخص مقتضب ومفيد لتاريخ الشخص يسمح للوكيل بالاستجابة باتساق وعناية، بغض النظر عن طول المحادثة التي جرت.
لفترة طويلة، كان النهج القياسي لهذه المشكلة يتمثل في تطبيق مجموعة واحدة وصارمة من القواعد على الجميع. تخيل أمين مكتبة يستخدم نفس نظام التصنيف لكل زائر، بغض النظر عما إذا كان قارئًا عابرًا أو باحثًا أكاديميًا. هذا الأسلوب "الذي يناسب الجميع" يعمل بشكل جيد في المواقف الشائعة، لكنه يفشل عندما يكون للمستخدمين احتياجات فريدة أو عندما يتغير سلوكهم بمرور الوقت. وقد تضمنت المحاولات الأخيرة لجعل هذه الأنظمة أكثر ذكاءً تعليمها التعلم من الخبرة، ولكن حتى هذه الأساليب المتقدمة غالبًا ما استقرت على استراتيجية ثابتة قبل بدء عملية التعلم، أو عاملت كل مستخدم كما لو كان متطابقًا تمامًا مع الآخرين. وكانت النتيجة غالبًا تسوية ترضي المستخدم المتوسط، لكنها تركت الكثيرين بتفاعلات تبدو غير دقيقة تمامًا، وتفتقر إلى الفروق الدقيقة التي تجعل المحادثة تبدو شخصية.
اقترح فريق من الباحثين في جامعة العلوم والتكنولوجيا في الصين طريقة جديدة لحل هذا الأمر، أطلقوا عليها إطار عمل HiPS. فبدلاً من إجبار كل مستخدم على قالب واحد، يقوم نظامهم بتقسيم مهمة إدارة الذاكرة إلى جزأين: أساس مشترك ينطبق على الجميع، وطبقة مرنة تتكيف خصيصًا مع الفرد. فكر في الأمر كقواعد لغوية عالمية يتحدث بها الجميع، مدمجة مع لهجة شخصية تستخدمها أنت وحدك. يتعلم الجزء المشترك المبادئ العامة حول كيفية تنظيم المعلومات بفعالية، مثل كيفية التعامل مع الحقائق المتضاربة أو كيفية تلخيص قصة طويلة. أما الجزء الشخصي، فيراقب المستخدمين الذين يتصرفون بشكل مختلف عن الحشد. فإذا كان للمستخدم طريقة محددة في التفاعل لا تستوعبها القواعد العامة بشكل جيد، فإن النظام ينشئ مجموعة مخصصة من التعليمات له وحده.
وما يميز هذا النهج هو أن هذه القواعد ليست ثابتة؛ بل تتطور جنباً إلى جنب مع أداء الوكيل. يختبر النظام استراتيجياته باستمرار من خلال مراقبة مدى جودة قيام الوكيل بعمله. فإذا ساعدت قاعدة ما الوكيل في تقديم إجابة أفضل، تصبح تلك القاعدة أقوى وأكثر عرضة للاستخدام. وإذا تسببت قاعدة في ارتباك أو أخطاء، يتم إضعافها أو التخلص منها. وهذا يخلق دورة من التحسين حيث تؤثر القواعد المشتركة والقواعد الشخصية على بعضهما البعض. فأحيانًا، قد تثبت قاعدة بدأت كسمة شخصية لمستخدم واحد أنها مفيدة للغاية لدرجة تدفع النظام لترقيتها إلى الأساس المشترك ليستخدمها الجميع. وعلى العكس من ذلك، إذا تبين أن قاعدة عامة كانت ضارة لنوع معين من المستخدمين، فإن النظام يستبدلها ببديل مصمم خصيصًا لذلك الشخص. يضمن هذا التعديل الديناميكي بقاء نظام الذاكرة فعالاً وشخصيًا بعمق.
اختبر الباحثون هذه الطريقة مقابل عدة أنظمة موجودة باستخدام مجموعة متنوعة من الاختبارات المعيارية الصعبة التي تحاكي محادثات طويلة ومعقدة مع أنواع مختلفة من المستخدمين. وفي هذه الاختبارات، تفوق الإطار الجديد باستمرار على الآخرين، خاصة في المواقف التي تتضمن سجلات طويلة جدًا أو معلومات مشتتة وضوضائية. وفي اختبار محدد تضمن 128,000 كلمة من تاريخ المحادثة، حقق النظام الجديد درجة دقة بلغت 62.01، وهي أعلى بكثير من أفضل طريقة تالية، والتي سجلت 55.37. وكان التحسن أكثر وضوحًا عندما تعين على النظام التعامل مع مستخدمين ذوي شخصيات مختلفة تمامًا. فعلى سبيل المثال، في اختبار مع مهتم بالشؤون المالية، ساعدت الطبقة الشخصية الوكيل على تذكر تفاصيل استثمارية محددة كان النظام العام سيقوم بتلخيصها وتجاهلها، مما أدى إلى تحسن بنسبة 18.6 نقطة مئوية في الأداء لهذا المستخدم. وفي الوقت نفسه، بالنسبة للمستخدمين الذين كانت احتياجاتهم مغطاة جيدًا بالقواعد العامة، تجنب النظام إضافة تعقيدات غير ضرورية، مما منع انخفاض الأداء.
كما كشفت الدراسة أن النظام قوي وقابل للتكيف. فالقواعد التي تعلمها لم تكن مرتبطة بنموذج حاسوبي محدد، بل يمكن نقلها إلى تقنيات أساسية مختلفة، مما يشير إلى أن المبادئ التي اكتشفها هي مبادئ جوهرية لكيفية عمل الذاكرة. علاوة على ذلك، تمكن النظام من إبقاء حجم ذاكرته تحت السيطرة حتى مع نمو المحادثات، مما أثبت قدرته على تصفية الضجيج بفعالية دون فقدان الإشارة الجوهرية. ووجد الباحثون أن أكبر المكاسب جاءت من القدرة على التمييز بين ما هو حقيقة عالمية لجميع المستخدمين وما هو خاص بالفرد. ومن خلال فصل هذين الشاغلين والسماح لهما بالتطور المشترك، يتجنب النظام عثرات كونه صارمًا جدًا أو فوضويًا جدًا.
بينما تعد النتائج واعدة، يشير الباحثون إلى أن عملهم يركز في المقام الأول على المحادثات باللغة الإنجليزية وأنواع محددة من المهام. وهم يقرون بأنه مع تفاعل هذه الأنظمة مع المستخدمين على مدى سنوات وليس مجرد أيام، فإن الطبيعة الجوهرية لشخصية الإنسان قد تتغير بطرق تتطلب تحديثات أكثر تطورًا. ومع ذلك، فإن هذا العمل يوفر مسارًا واضحًا لبناء وكلاء يمكنهم حقًا تذكر من أنت، وتكييف ذاكرتهم لتناسب قصتك الفريدة بدلاً من إجبار قصتك على التكيف مع قالب معد مسبقًا. وتشير النتائج إلى أن مستقبل الذكاء الاصطناعي الشخصي لا يكمن في حفظ كل شيء، بل في تعلم ما يجب مشاركته بالضبط وما يجب الاحتفاظ به لنفسك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.