গবেষকেরা MemRL নামক একটি নতুন কৌশল তৈরি করেছেন যা এআই এজেন্টদের ব্যয়বহুল ফাইন-টিউনিংয়ের প্রয়োজন ছাড়াই নতুন দক্ষতা শিখতে সাহায্য করে, যা সম্ভবত এআই অ্যাপ্লিকেশনগুলি কীভাবে পরিবর্তনশীল পরিবেশের সাথে খাপ খায় তাতে বিপ্লব ঘটাতে পারে। সাংহাই জিয়াও টং বিশ্ববিদ্যালয় এবং অন্যান্য প্রতিষ্ঠানের গবেষকদের দ্বারা তৈরি করা এই কাঠামো এজেন্টদের পর্বভিত্তিক স্মৃতির সাথে সজ্জিত করে, যা তাদের অতীতের অভিজ্ঞতা পুনরুদ্ধার করতে এবং নতুন কাজগুলি সমাধান করতে প্রয়োগ করতে সক্ষম করে।

MemRL এজেন্টদের পরিবেশগত প্রতিক্রিয়ার উপর ভিত্তি করে তাদের সমস্যা সমাধানের কৌশলগুলি ক্রমাগত পরিমার্জন করতে দেয়। এই পদ্ধতিটি এআই-এর একটি মূল চ্যালেঞ্জ মোকাবিলা করে: স্থিতিশীলতা-নমনীয়তা দ্বিধা, যা বিদ্যমান জ্ঞান ধরে রাখা (স্থিতিশীলতা) এবং নতুন তথ্যের সাথে খাপ খাইয়ে নেওয়ার (নমনীয়তা) মধ্যে ভারসাম্য বজায় রাখে।

শিল্পের মূল মানদণ্ডে পরিচালিত পরীক্ষায়, MemRL অন্যান্য বেসলাইন পদ্ধতি, যেমন রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) এবং বিকল্প মেমরি সংগঠন কৌশলগুলিকে ছাড়িয়ে গেছে। জটিল পরিবেশে যেখানে অনুসন্ধান এবং পরীক্ষা-নিরীক্ষার প্রয়োজন সেখানে এই সুবিধা বিশেষভাবে লক্ষণীয় ছিল। গবেষণা দলের মতে, এই ফলাফলগুলি থেকে বোঝা যায় যে MemRL এমন এআই অ্যাপ্লিকেশন তৈরিতে একটি গুরুত্বপূর্ণ উপাদান হতে পারে যা বাস্তব-বিশ্বের পরিস্থিতিতে কাজ করার জন্য ডিজাইন করা হয়েছে যেখানে প্রয়োজনীয়তা এবং কাজগুলি ক্রমাগত পরিবর্তিত হচ্ছে।

MemRL-এর বিকাশ এআই গবেষণা সম্প্রদায়ের মধ্যে এআই-এর জন্য ক্রমাগত শেখার সক্ষমতা তৈরির উপর দৃষ্টি নিবদ্ধ করা একটি বৃহত্তর প্রবণতার অংশ। ক্রমাগত শেখার লক্ষ্য হল এআই সিস্টেমগুলিকে পূর্বে অর্জিত জ্ঞান না ভুলে সময়ের সাথে সাথে শিখতে এবং খাপ খাইয়ে নিতে সক্ষম করা, অনেকটা মানুষের মতো। RAG, একটি জনপ্রিয় কৌশল, নির্ভুলতা উন্নত করতে এবং হ্যালুসিনেশন কমাতে বহিরাগত জ্ঞানের উৎস থেকে প্রাসঙ্গিক তথ্য পুনরুদ্ধার করে ভাষার মডেলগুলিকে উন্নত করে। তবে, জটিল পরিবেশে MemRL-এর উন্নত কর্মক্ষমতা এজেন্টিক এআই-এর ক্ষেত্রে একটি উল্লেখযোগ্য অগ্রগতি নির্দেশ করে।

MemRL-এর প্রভাব রোবোটিক্স, স্বায়ত্তশাসিত সিস্টেম এবং ব্যক্তিগতকৃত এআই সহকারী সহ বিভিন্ন খাতে বিস্তৃত। উদাহরণস্বরূপ, MemRL-সজ্জিত একটি রোবট অনুরূপ পরিস্থিতিতে অতীতের অভিজ্ঞতা স্মরণ করে একটি নতুন পরিবেশে আরও দক্ষতার সাথে চলাচল করতে শিখতে পারে। একইভাবে, একটি এআই সহকারী পুনরায় প্রশিক্ষণ ছাড়াই সময়ের সাথে সাথে ব্যবহারকারীর পরিবর্তনশীল চাহিদা এবং পছন্দের সাথে খাপ খাইয়ে নিতে পারে।

গবেষকদের বিশ্বাস, ফাইন-টিউনিং ছাড়াই শেখার MemRL-এর ক্ষমতা পরিবর্তনশীল পরিবেশে এআই অ্যাপ্লিকেশন স্থাপন করার খরচ এবং জটিলতা উল্লেখযোগ্যভাবে কমাতে পারে। আরও গবেষণা আরও জটিল কাজের জন্য MemRL-এর পরিধি বাড়ানো এবং বিভিন্ন অ্যাপ্লিকেশন ডোমেনে এর সম্ভাবনা অন্বেষণের উপর দৃষ্টি নিবদ্ধ করা হয়েছে। দলটি এই ক্ষেত্রে আরও গবেষণা এবং উন্নয়নকে সহজতর করার জন্য তাদের পরীক্ষায় ব্যবহৃত কোড এবং ডেটাসেট প্রকাশ করার পরিকল্পনা করেছে।