معماری‌های حافظهٔ بلندمدت در مدل‌های زبانی بزرگ: مروری از منظر استقرار سازمانی و کنترل دسترسی

معماری‌های حافظهٔ بلندمدت در مدل‌های زبانی بزرگ: مروری از منظر استقرار سازمانی و کنترل دسترسی

شیدا ستاری قهفرخی1 محمدرضا بحرانی2 مریم مزارعی3

1) آزمایشگاه هوش مصنوعی، گروه مهندسی نویسا، شیراز، ایران -
2) آزمایشگاه هوش مصنوعی، گروه مهندسی نویسا، شیراز، ایران -
3) آزمایشگاه هوش مصنوعی، گروه مهندسی نویسا، شیراز، ایران -

کد IOI مقاله : AAHD-ACZCZK
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    مدل‌های زبانی بزرگ ذاتاً با محدودیت پنجرهٔ زمینهٔ متناهی مواجه‌اند و از این‌رو قادر به حفظ حافظه در میان نشست‌ها نیستند. این محدودیت موج گسترده‌ای از معماری‌های حافظهٔ اختصاصی را پدید آورده که عمدتاً حول سناریوهای گفت‌وگو شکل گرفته‌اند، در حالی که حکمرانی داده، کنترل دسترسی چندسطحی، حذف قطعی و ردیابی منشأ در ادبیات جداگانه‌ای مورد توجه قرار گرفته‌اند. این مرور با بهره‌گیری از یک چارچوب استخراج یکنواخت، یک جدول مقایسه‌ای و یک ماتریس که هر سامانه را بر اساس شش معیار تناسب سازمانی امتیازدهی می‌کند، به بررسی طبقه‌بندی این معماری‌ها، نحوهٔ پیاده‌سازی چرخهٔ عمر آن‌ها، روش‌های ارزیابی و میزان مناسب بودن‌شان برای استقرار سازمانی می‌پردازد. در پیکرهٔ بررسی‌شده، واحد غالب مقیاس نوبت گفت‌وگو است نه سند؛ تقاطع حافظهٔ عاملی و حکمرانی دسترسی تنها از سال ۲۰۲۵ پدیدار شده و همچنان از نظر مقیاس و ضمانت‌های حذف محدود مانده است. واژهٔ «حذف» چند معنای متمایز دارد، تنها اقلیت کوچکی از سامانه‌ها از حذف فیزیکی پشتیبانی می‌کنند و یادگیری‌زدایی با تضمین صوری هنوز محقق نشده است. هشت شکاف پژوهشی، یک معماری مرجع و پنج معیار ارزیابی پیشنهاد شده است.

کلمات کلیدی : تولید تقویت‌شده با بازیابی حافظهٔ عاملی حاکمیت داده یادگیری‌زدایی ماشینی