تصميم الذاكرة لوكلاء الذكاء الاصطناعي: نظرة من الداخل على وكيل الذاكرة المعرفية في لينكدإن.

قدمت LinkedIn وكيل الذاكرة المعرفية (CMA) كجزء من مجموعة تطبيقات الذكاء الاصطناعي التوليدية الخاصة بها، وذلك لتمكين أنظمة الذكاء الاصطناعي التي تحتفظ بالسياق وتستخدم المعرفة عبر التفاعلات المختلفة. تم تصميم هذا النظام لتشغيل تطبيقات مثل مساعد التوظيف، ومعالجة أحد القيود الأساسية في سير العمل القائم على نماذج اللغة الكبيرة: وهو عدم وجود حالة (statelessness) وبالتالي فقدان الاستمرارية عبر الجلسات.

يعمل وكيل الذاكرة المعرفية (CMA) كطبقة بنية تحتية مشتركة للذاكرة بين وكلاء التطبيقات ونماذج اللغة الأساسية. بدلاً من إعادة بناء السياق من خلال المطالبات المتكررة، يمكن للوكلاء تخزين واسترجاع وتحديث الذاكرة من خلال نظام مخصص. وهذا يتيح الاستمرارية عبر الجلسات، ويقلل من عمليات الاستدلال الزائدة، ويحسن التخصيص في البيئات الإنتاجية حيث يتطور سياق المستخدم.

(رسم توضيحي لطبقة الذاكرة التفاعلية - المصدر: منشور مدونة LinkedIn)

ينظم الهيكل الذاكرة في ثلاث طبقات متميزة. تلتقط الذاكرة الحلقية (Episodic memory) سجل التفاعلات والأحداث المحادثة، مما يسمح للوكلاء بتذكر التبادلات السابقة. تخزن الذاكرة الدلالية (Semantic memory) المعرفة المنظمة المستمدة من التفاعلات، مما يتيح الاستدلال بناءً على حقائق مستمرة حول المستخدمين أو الكيانات أو التفضيلات. تقوم الذاكرة الإجرائية (Procedural memory) بترميز سير العمل والأنماط السلوكية المتعلمة، مما يساعد الوكلاء على تحسين استراتيجيات تنفيذ المهام بمرور الوقت. تعمل هذه الطبقات معًا على تحويل سلوك الوكلاء من استجابات ذات اتجاه واحد إلى تكيف طويل الأمد.

أشار Xiaofeng Wang، مهندس في LinkedIn، في منشور له:

"الذاكرة هي واحدة من أهم وأكثر الجوانب تحديًا في بناء الوكلاء الإنتاجيين، وهي التي تتيح التخصيص الحقيقي والاستمرارية والتكيف على نطاق واسع."

يلعب وكيل الذاكرة المعرفية (CMA) أيضًا دورًا حاسمًا في أنظمة الوكلاء المتعددة. بدلاً من أن يحتفظ كل وكيل بسياق معزول، يوفر وكيل الذاكرة المعرفية (CMA) قاعدة ذاكرة مشتركة يمكن الوصول إليها عبر وكلاء متخصصين مسؤولين عن التخطيط والاستدلال والتنفيذ. تقلل هذه الطبقة المشتركة من تكرار الحالة، وتحسن التنسيق، وتضمن الاتساق في المخرجات عبر سير العمل الموزعة.

من وجهة نظر النظام، يدمج وكيل الذاكرة المعرفية (CMA) آليات استرجاع وإدارة دورة حياة متعددة. يدعم استرجاع السياق الحديث الأهمية قصيرة المدى، بينما يتيح البحث الدلالي الوصول إلى التفاعلات التاريخية طويلة المدى. يساعد ضغط الذاكرة من خلال التلخيص في التحكم في نمو التخزين والحفاظ على الأداء على نطاق واسع. تقدم هذه الآليات تحديات هندسية أساسية تتعلق بترتيب الأهمية، وإدارة التقادم، واتساق سياق المستخدم المتطور.

أكد Karthik Ramgopal، المهندس المتميز في LinkedIn، على التحول نحو السياق المستمر في أنظمة الوكلاء، قائلاً:

"الذكاء الاصطناعي الجيد القائم على الوكلاء ليس عديم الحالة: فهو يتذكر ويتكيف ويتراكم. إحدى القدرات الرئيسية التي تمكن ذلك هي الذاكرة التي تتجاوز نطاقات السياق."

من الناحية التشغيلية، تقدم أنظمة الذاكرة المستمرة مقايضات كلاسيكية في الأنظمة الموزعة. تحديد ما يجب تخزينه، ومتى يجب استرجاعه، وكيفية التعامل مع التقادم...

تلعب الذاكرة دورًا أساسيًا في ضمان صحة النظام.

أشار "سوبوجيت بانيرجي"، مهندس بيانات في مجال عمليات تعلم الآلة (MLOPS)، قائلًا:

"إبطال صلاحية الذاكرة (Cache invalidation) هو أحد أصعب المشكلات في علوم الحاسوب، ويسعدني أنك أوضحت هذا القيد. التحدي الواضح في استخراج هذه الذاكرة يكمن في تحديد حدود الحلقات بشكل صحيح، والتعامل مع البيانات القديمة، وحل التعارضات."

في التطبيقات التي تتفاعل مع المستخدمين، مثل التوظيف، تدمج LinkedIn أيضًا التحقق البشري في سير العمل. يساعد هذا النهج الهجين على ضمان توافق النتائج التي تولدها الذكاء الاصطناعي، والتي يتم تعزيزها بالذاكرة المستمرة، مع نوايا المستخدم ومتطلبات العمل، خاصة في البيئات التي تتخذ فيها قرارات مصيرية.

يعكس نظام CMA تحولًا أوسع في تصميم أنظمة الذكاء الاصطناعي، من النماذج غير المعتمدة على الحالة إلى تصميم وكلاء (agents) يعتمد على الحالة والذاكرة. من خلال نقل الذاكرة إلى طبقة بنية تحتية مخصصة، تضع LinkedIn نظام CMA كمنصة أفقية لبناء أنظمة وكلاء قابلة للتكيف وشخصية وتعاونية على نطاق واسع. يبرز هذا التوجه إجماعًا متزايدًا في الصناعة: أن أنظمة الذكاء الاصطناعي ذات الجودة العالية لا تُعرّف فقط بالنماذج، بل بالذاكرة وإدارة السياق والطبقات التحتية التي تحيط بها.