Yapay zeka ajanları giderek daha karmaşık ve uzun soluklu görevlerde kullanılmaya başlandıkça, geçmiş deneyimlerini etkili şekilde saklama ve kullanma sorunu kritik bir darboğaz haline geliyor. Bu alandaki araştırmacılar, ajanların hafıza sistemleri ile beceri keşfi arasında köprü kuran yenilikçi bir çerçeve geliştirdi.
Araştırma ekibi, 22 temel makale ve toplam 1136 referansı analiz ederek ilginç bir bulguya ulaştı: bu alandaki farklı topluluklar arasındaki atıf oranı yüzde 1'in altında kalıyor. Bu durum, aslında benzer problemlerle uğraşan araştırmacıların birbirlerinden yeterince haberdar olmadığını gösteriyor.
'Deneyim Sıkıştırma Spektrumu' adlı yeni çerçeve, hafıza, beceriler ve kuralları artan sıkıştırma oranlarına sahip tek bir eksen üzerinde konumlandırıyor. Episodik hafıza için 5-20 kat, prosedürel beceriler için 50-500 kat, bildirimsel kurallar için ise 1000 kattan fazla sıkıştırma oranı elde edilebiliyor.
Mevcut 20'den fazla sistemin bu spektrum üzerinde haritalandırılması, tüm sistemlerin sabit ve önceden belirlenmiş sıkıştırma seviyelerinde çalıştığını ortaya çıkardı. Hiçbir sistem uyarlanabilir çapraz seviye sıkıştırma desteği sunmuyor, bu da önemli bir eksikliği işaret ediyor.
Bu yeni yaklaşım, yapay zeka ajanlarının bağlam tüketimi, veri erişim gecikmesi ve hesaplama yükünü doğrudan azaltarak performanslarını artırma potansiyeli taşıyor.