كنت أستخدم الذكاء الاصطناعي لتنظيم مجال معين، أكثر شيء كان يزعجني هو أنه مش قادر يحلل، لكن كلما أفتح محادثة جديدة، كان لازم أعيد إدخال المعلومات الخلفية مرة ثانية.
المواقع، التغريدات، المقالات الطويلة، محاضر الاجتماعات، كل شيء كان يتجمع مع بعض، والسياق كان يصير فوضوي؛ وإذا ما أدخلت المعلومات، كان كأنه نسي كل شيء تكلمنا عنه قبل كم يوم.
هذا فعلاً هو التناقض اللي تعاني منه كثير من تطبيقات الذكاء الاصطناعي: النموذج قادر يقرأ كمية كبيرة من المحتوى مرة وحدة، لكن اللي يبقى فعلياً قليل جداً. اللي بنسميه "سياق طويل"، في كثير من الأحيان هو مجرد إعادة لصق المعلومات، وما يعني أنه فيه ذاكرة فعالة للاستخدام على المدى الطويل.
أعتقد أن MemSync من OpenGradient هو الأكثر عملية، مو أنه يخلي الذكاء الاصطناعي يتذكر جملة "إيش تحب"، لكن ممكن نستخدمه كقاعدة بيانات بحثية تتحدث باستمرار.
مثلاً، إذا كنت أتابع مجال معين، ممكن أعطي MemSync محتوى الموقع، تعريف المشاريع، حسابات التواصل الاجتماعي وسجلات المحادثات السابقة. هو رح يستخرج المعلومات المهمة تلقائياً، ويفصل بين اللي هو حقائق طويلة الأمد، واللي مجرد أحداث مرحلية.
في المرة الجاية إذا سألت "إيش غير الفريق مساره في الفترة الأخيرة"، ما يحتاج أعيد إدخال كل المعلومات للنموذج، هو رح يبحث أولاً في الذاكرة عن المحتوى المرتبط فعلاً، بعدين يسلم للذكاء الاصطناعي عشان يكمل التحليل.
التجربة هذه مهمة جداً، لأنه في البحث أكثر شيء يخوف هو لما تتكاثر المعلومات، وتبدأ تفقد النقاط المهمة.
المطورين ممكن يدخلوا عن طريق REST API، وكمان ممكن يجربوا في تطبيق MemSync تجربة استخراج الذاكرة، البحث وتوليد معلومات المستخدم. للناس اللي يعملوا مساعد بحث، خدمة العملاء أو تطبيقات مرافقة طويلة الأمد، المدخل مو معقد.
طبعاً، نظام الذاكرة ممكن يخطئ. الرسائل المؤقتة إذا اتخذت كحقائق طويلة الأمد، القرارات اللي بعدها ممكن تتجه في اتجاه خاطئ، لذا التحديث الدوري، والتنظيف، والفحص اليدوي ضروري.
لكنني أوافق على اتجاهه في حل المشكلة: الذكاء الاصطناعي الجيد مو أنه يحفظ كل المعلومات، لكن في الوقت اللي تحتاجه، بالضبط يجيب لك تلك المعلومة المفيدة.
$OPG @OpenGradient #OPG
المواقع، التغريدات، المقالات الطويلة، محاضر الاجتماعات، كل شيء كان يتجمع مع بعض، والسياق كان يصير فوضوي؛ وإذا ما أدخلت المعلومات، كان كأنه نسي كل شيء تكلمنا عنه قبل كم يوم.
هذا فعلاً هو التناقض اللي تعاني منه كثير من تطبيقات الذكاء الاصطناعي: النموذج قادر يقرأ كمية كبيرة من المحتوى مرة وحدة، لكن اللي يبقى فعلياً قليل جداً. اللي بنسميه "سياق طويل"، في كثير من الأحيان هو مجرد إعادة لصق المعلومات، وما يعني أنه فيه ذاكرة فعالة للاستخدام على المدى الطويل.
أعتقد أن MemSync من OpenGradient هو الأكثر عملية، مو أنه يخلي الذكاء الاصطناعي يتذكر جملة "إيش تحب"، لكن ممكن نستخدمه كقاعدة بيانات بحثية تتحدث باستمرار.
مثلاً، إذا كنت أتابع مجال معين، ممكن أعطي MemSync محتوى الموقع، تعريف المشاريع، حسابات التواصل الاجتماعي وسجلات المحادثات السابقة. هو رح يستخرج المعلومات المهمة تلقائياً، ويفصل بين اللي هو حقائق طويلة الأمد، واللي مجرد أحداث مرحلية.
في المرة الجاية إذا سألت "إيش غير الفريق مساره في الفترة الأخيرة"، ما يحتاج أعيد إدخال كل المعلومات للنموذج، هو رح يبحث أولاً في الذاكرة عن المحتوى المرتبط فعلاً، بعدين يسلم للذكاء الاصطناعي عشان يكمل التحليل.
التجربة هذه مهمة جداً، لأنه في البحث أكثر شيء يخوف هو لما تتكاثر المعلومات، وتبدأ تفقد النقاط المهمة.
المطورين ممكن يدخلوا عن طريق REST API، وكمان ممكن يجربوا في تطبيق MemSync تجربة استخراج الذاكرة، البحث وتوليد معلومات المستخدم. للناس اللي يعملوا مساعد بحث، خدمة العملاء أو تطبيقات مرافقة طويلة الأمد، المدخل مو معقد.
طبعاً، نظام الذاكرة ممكن يخطئ. الرسائل المؤقتة إذا اتخذت كحقائق طويلة الأمد، القرارات اللي بعدها ممكن تتجه في اتجاه خاطئ، لذا التحديث الدوري، والتنظيف، والفحص اليدوي ضروري.
لكنني أوافق على اتجاهه في حل المشكلة: الذكاء الاصطناعي الجيد مو أنه يحفظ كل المعلومات، لكن في الوقت اللي تحتاجه، بالضبط يجيب لك تلك المعلومة المفيدة.
$OPG @OpenGradient #OPG
