Büyük dil modelleri (LLM) tabanlı yapay zeka sistemlerinin uzun süreli kullanıcı etkileşimlerinde tutarlı kişiselleştirme sağlayabilmesi, etkili hafıza mekanizmalarına bağlıdır. Ancak bu sistemlerin sınırlı bağlam pencereleri, kullanıcı tercihlerinin zaman içindeki değişimini takip etmeyi zorlaştırmaktadır.
Mevcut hafıza sistemleri çoğunlukla statik ve manuel kurallara dayalı güncellemeler kullanır. Pekiştirmeli öğrenme tabanlı ajanlar hafıza güncellemelerini öğrenebilse de, seyrek sonuç ödülleri zayıf denetim sağlar ve uzun vadeli optimizasyonda kararsızlığa yol açar.
Araştırmacılar, hafıza şema teorisinden ve insan beynindeki prefrontal korteks ile hipokampüs bölgeleri arasındaki işlevsel ayrımdan ilham alarak MemCoE adlı yenilikçi bir sistem geliştirdi. Bu bilişsel süreçlerden esinlenen iki aşamalı optimizasyon çerçevesi, hafızanın nasıl düzenlenmesi ve hangi bilgilerin güncellenmesi gerektiğini öğrenir.
Sistemin ilk aşamasında 'Hafıza Kılavuz Tümevarımı' süreci, metinsel gradyanlar olarak yorumlanan kontrastif geri bildirim yoluyla küresel bir kılavuz optimize eder. İkinci aşamada ise 'Kılavuz Uyumlu Hafıza Politika Optimizasyonu', bu kılavuzu kullanarak yapısal hafıza güncellemelerini gerçekleştirir.
Bu yaklaşım, yapay zeka sistemlerinin insan benzeri hafıza işleyişini taklit ederek daha etkili uzun vadeli öğrenme gerçekleştirmesini hedeflemektedir.