تُشير ذاكرة وكيل الذكاء الاصطناعي إلى قدرة نظام الذكاء الاصطناعي على تخزين التجارب السابقة واسترجاعها لتحسين اتخاذ القرار، والإدراك، والأداء العام.
وعلى عكس نماذج الذكاء الاصطناعي التقليدية التي تعالج كل مهمة بشكل مستقل، يمكن للوكلاء المزودين بذاكرة الاحتفاظ بالسياق، والتعرُّف على الأنماط بمرور الوقت، والتكيف بناءً على التفاعلات السابقة. هذه القدرة ضرورية لتطبيقات الذكاء الاصطناعي الموجهة نحو الأهداف، حيث تكون حلقات التعليقات، وقواعد المعرفة، والتعلم التكيفي مطلوبة.
الذاكرة هي نظام يتذكر شيئًا عن التفاعلات السابقة. وكلاء الذكاء الاصطناعي لا يحتاجون بالضرورة إلى نظام ذاكرة. على سبيل المثال، يدرك وكلاء الاستجابة البسطاء المعلومات في الوقت الفعلي حول بيئتهم ويتصرفون بناء عليها أو يمررون تلك المعلومات.
لا يحتاج منظم الحرارة البسيط إلى تذكُّر درجة الحرارة ليوم أمس. لكن منظم الحرارة "الذكي" المتقدم المزود بذاكرة يمكنه تخطي تنظيم التشغيل والإيقاف البسيط بناءً على درجة الحرارة عبر تعلُّم الأنماط، والتكيف مع سلوك المستخدم، وتحسين كفاءة استهلاك الطاقة. وبدلًا من التفاعل فقط مع درجة الحرارة الحالية، يمكنه تخزين البيانات السابقة وتحليلها لاتخاذ قرارات أكثر ذكاءً.
لا تستطيع النماذج اللغوية الكبيرة (LLMs) أن تتذكر الأشياء بمفردها. بل يجب إضافة عنصر الذاكرة. ومع ذلك، فإن أحد أكبر التحديات في تصميم ذاكرة الذكاء الاصطناعي هو تحسين كفاءة الاسترجاع، حيث إن تخزين البيانات الزائدة يمكن أن يؤدي إلى أوقات استجابة أبطأ.
تساعد إدارة الذاكرة المحسَّنة على ضمان تخزين أنظمة الذكاء الاصطناعي للمعلومات الأكثر صلة فقط مع الحفاظ على معالجة ذات زمن انتقال قصير للتطبيقات في الوقت الفعلي.
النشرة الإخبارية الخاصة بالمجال
ابقَ على اطلاع دومًا بأهم—اتجاهات المجال وأكثرها إثارة للفضول—بشأن الذكاء الاصطناعي والأتمتة والبيانات وغيرها الكثير مع نشرة Think الإخبارية. راجع بيان الخصوصية لشركة IBM.
سيتم تسليم اشتراكك باللغة الإنجليزية. ستجد رابط إلغاء الاشتراك في كل رسالة إخبارية. يمكنك إدارة اشتراكاتك أو إلغاء اشتراكك هنا. راجع بيان خصوصية IBM لمزيد من المعلومات.
يصنِّف الباحثون الذاكرة الوكيلية بالطريقة نفسها التي يصنِّف بها علماء النفس الذاكرة البشرية. تصف الورقة البحثية المؤثرة Cognitive Architectures for Language Agents (CoALA)1 من فريق في جامعة برينستون أنواعًا مختلفة من الذاكرة على النحو التالي:
تُتيح الذاكرة قصيرة المدى (STM) لوكيل الذكاء الاصطناعي تذكُّر المدخلات الأخيرة لاتخاذ القرارات الفورية. يُعَد هذا النوع من الذاكرة مفيدًا في الذكاء الاصطناعي الحواري، حيث يلزم الحفاظ على السياق عبر تبادلات متعددة.
على سبيل المثال، يستطيع روبوت محادثة أن يتذكر الرسائل السابقة ضمن جلسة واحدة ليقدِّم ردودًا مترابطة، بدلًا من التعامل مع كل إدخال بشكل مستقل، ما يحسِّن تجربة المستخدم. على سبيل المثال، يحتفظ ChatGPT من OpenAI بسجل المحادثة ضمن جلسة واحدة، ما يساعد على ضمان محادثات أكثر سلاسة ووعيًا بالسياق.
يتم تنفيذ STM عادةً باستخدام مخزن مؤقت متجدد أو نافذة سياق، والتي تحتفظ بكمية محدودة من البيانات الحديثة قبل الكتابة فوقها. ورغم أن هذا النهج يحسِّن الاستمرارية في التفاعلات القصيرة، إلا إنه لا يحتفظ بالمعلومات بعد الجلسة، ما يجعله غير مناسب للتخصيص أو التعلم على المدى الطويل.
تسمح الذاكرة طويلة المدى (LTM) لوكلاء الذكاء الاصطناعي بتخزين واسترجاع المعلومات عبر جلسات مختلفة، ما يجعلها أكثر تخصيصًا وذكاءً بمرور الوقت.
على عكس الذاكرة قصيرة المدى، تُصمَّم الذاكرة طويلة المدى للتخزين الدائم، وغالبًا ما يتم تنفيذها باستخدام قواعد بيانات أو رسومات بيانية معرفية أو تضمينات متجهية. وتُعَد هذه الذاكرة ضرورية لتطبيقات الذكاء الاصطناعي التي تتطلب معرفة تاريخية، مثل المساعدات الشخصية وأنظمة التوصية.
على سبيل المثال، يمكن لوكيل دعم العملاء المدعوم بالذكاء الاصطناعي أن يتذكر التفاعلات السابقة مع المستخدم ويخصِّص الاستجابات وفقًا لذلك، ما يؤدي إلى تحسين تجربة العميل بشكل عام.
تُعَد تقنية التوليد المعزز للاسترجاع (RAG) واحدة من أكثر التقنيات فاعلية لتطبيق LTM، حيث يلتقط الوكيل المعلومات ذات الصلة من قاعدة المعرفة المخزَّنة لتحسين استجاباته.
تمكِّن الذاكرة الحدثية وكلاء الذكاء الاصطناعي من استرجاع تجارب سابقة محددة، على غرار كيفية تذكُّر البشر للأحداث الفردية. هذا النوع من الذاكرة مفيد في الاستدلال القائم على الحالات، حيث يتعلم الذكاء الاصطناعي من الأحداث السابقة لاتخاذ قرارات أفضل في المستقبل.
عادةً ما يتم تنفيذ الذاكرة الحدثية عبر تسجيل الأحداث الأساسية والإجراءات ونتائجها في صيغة منظمة يمكن للوكيل الرجوع إليها عند اتخاذ القرارات.
على سبيل المثال، قد يتذكر مستشار مالي مدعوم بالذكاء الاصطناعي اختيارات الاستثمار السابقة لمستخدم ما، ويستخدم هذا السجل لتقديم توصيات أفضل. ويُعَد هذا النوع من الذاكرة ضروريًا أيضًا في مجال الروبوتات والأنظمة المستقلة، حيث يجب على الوكيل استرجاع الإجراءات السابقة للتنقل بكفاءة.
الذاكرة الدلالية مسؤولة عن تخزين المعرفة الواقعية المنظمة التي يمكن لوكيل الذكاء الاصطناعي استرجاعها واستخدامها في الاستدلال. على عكس الذاكرة الحدثية، التي تتعامل مع أحداث محددة، تحتوي الذاكرة الدلالية على معلومات عامة مثل الحقائق والتعاريف والقواعد.
ينفِّذ وكلاء الذكاء الاصطناعي عادةً الذاكرة الدلالية باستخدام قواعد معرفية أو الذكاء الاصطناعي الرمزي أو تضمينات متجهية، ما يُتيح لهم معالجة المعلومات ذات الصلة واسترجاعها بكفاءة. يُستخدم هذا النوع من الذاكرة في التطبيقات الواقعية التي تتطلب خبرة متخصصة في المجالات، مثل مساعدي الذكاء الاصطناعي القانوني، وأدوات التشخيص الطبي، وأنظمة إدارة المعرفة المؤسسية.
على سبيل المثال، يمكن لمساعد قانوني مدعوم بالذكاء الاصطناعي استخدام قاعدة معارفه لاسترجاع السوابق القضائية وتقديم نصائح قانونية دقيقة.
تُشير الذاكرة الإجرائية في وكلاء الذكاء الاصطناعي إلى القدرة على تخزين واسترجاع المهارات والقواعد والسلوكيات المكتسبة التي تمكِّن الوكيل من تنفيذ المهام تلقائيًا دون الحاجة إلى استدلال صريح في كل مرة.
تستند إلى الذاكرة الإجرائية لدى البشر، والتي تمكِّنهم من أداء أفعال مثل ركوب الدراجة أو الطباعة دون التفكير الواعي في كل خطوة. في الذكاء الاصطناعي، تساعد الذاكرة الإجرائية الوكلاء على تحسين الكفاءة من خلال أتمتة تسلسلات الإجراءات المعقدة استنادًا إلى الخبرات السابقة.
يتعلم وكلاء الذكاء الاصطناعي تسلسل الإجراءات من خلال التدريب، غالبًا باستخدام التعلم المعزَّز لتحسين الأداء مع مرور الوقت. ومن خلال تخزين الإجراءات المتعلقة بالمهام، يمكن للوكلاء تقليل وقت المعالجة والاستجابة بشكل أسرع للمهام المحددة دون الحاجة إلى إعادة معالجة البيانات من البداية.
يقوم المطوِّرون بتنفيذ الذاكرة باستخدام التخزين الخارجي والبنى المتخصصة وآليات التعليقات. نظرًا لتفاوت مستوى تعقيد وكلاء الذكاء الاصطناعي، من وكلاء الاستجابة البسيطين إلى الوكلاء المتعلمين المتقدمين، يعتمد تنفيذ الذاكرة على بنية الوكيل، وحالة الاستخدام، ومستوى التكيُّف المطلوب.
أحد أطر العمل الوكيلية الأساسية لبناء وكلاء ذكاء اصطناعي مدعومين بالذاكرة هو LangChain، والذي يجعل من السهل دمج الذاكرة وواجهات برمجة التطبيقات ومهام سير عمل الاستدلال. من خلال دمج LangChain مع قواعد بيانات المتجهات، يمكن لوكلاء الذكاء الاصطناعي تخزين واسترجاع كميات كبيرة من التفاعلات السابقة بكفاءة، ما يُتيح لهم تقديم استجابات أكثر ترابطًا مع مرور الوقت.
يُتيح LangGraph للمطورين إنشاء رسومات ذاكرة هرمية لوكلاء الذكاء الاصطناعي، ما يحسِّن قدرتهم على تتبُّع العلاقات التبعية والتعلم بمرور الوقت.
من خلال دمج قواعد بيانات المتجهات، يمكن للأنظمة الوكيلية تخزين تضمينات متجهية للتفاعلات السابقة بكفاءة، ما يُتيح الاسترجاع السياقي. ويُعَد ذلك مفيدًا في توليد المستندات المدعومة بالذكاء الاصطناعي، حيث يجب على الوكيل تذكُّر تفضيلات المستخدم والتعديلات السابقة.
لقد أدى ظهور أطر العمل مفتوحة المصدر إلى تسريع تطوير وكلاء الذكاء الاصطناعي المدعومين بالذاكرة. تستضيف منصات مثل GitHub عددًا كبيرًا من المستودعات التي توفِّر أدوات وقوالب لدمج الذاكرة في سير عمل الذكاء الاصطناعي.
بالإضافة إلى ذلك، توفِّر Hugging Face نماذج مدربة مسبقًا يمكن تحسينها بمكونات الذاكرة لتعزيز قدرات الاسترجاع لدى الذكاء الاصطناعي. تُعَد Python من اللغات السائدة في تطوير الذكاء الاصطناعي، وتوفِّر مكتبات لمعالجة تنسيق المهام وآليات تخزين الذاكرة واسترجاعها، ما يجعلها الخيار المفضل لتنفيذ أنظمة ذاكرة الذكاء الاصطناعي.
1 "Cognitive Architectures for Language Agents," Princeton University, February, 2024.
يمكنك إنشاء مساعدين ووكلاء ذكاء اصطناعي ووكلاء أقوياء يعملون على أتمتة مهام سير العمل والعمليات باستخدام الذكاء الاصطناعي التوليدي ونشرها وإدارتها.
يمكنك بناء مستقبل عملك باستخدام حلول الذكاء الاصطناعي الجديرة بالثقة.
تساعد خدمات IBM Consulting AI في إعادة تصور طريقة عمل الشركات باستخدام حلول الذكاء الاصطناعي من أجل النهوض بأعمالها.