AutoMMemo به عامل‌های چندوجهی کمک می‌کند تجربه‌های گذشته را به حافظهٔ قابل‌بازیابی تبدیل کنند

عامل‌های چندوجهی در تعامل با محیط، مسیرهایی از ادراک، استدلال و عمل تولید می‌کنند. تبدیل این داده‌های ناهمگون به تجربه‌ای که در وظایف آینده به کار بیاید، دشوار است؛ روش‌های پیشین عمدتاً برای داده‌های متنی طراحی شده‌اند و معمولاً به الگوهای حافظه‌ای متکی‌اند که از پیش به‌دست انسان تعیین شده‌اند.

پژوهشگران در پیش‌چاپی در arXiv چارچوب AutoMMemo را معرفی کرده‌اند. این روش هر سازوکار حافظه را به‌شکل یک «برنامهٔ حافظه» اجرایی تعریف می‌کند که تعیین می‌کند تجربه‌های پیشین چگونه ذخیره، سازمان‌دهی و بازیابی شوند. AutoMMemo با ارزیابی چرخه‌ایِ به‌روزرسانی و بازیابی، تغییرهای هدایت‌شده با بازبینی و جست‌وجوی درختیِ آگاه از محدودیت بودجه، برنامه‌های حافظهٔ مؤثر را پیدا می‌کند.

طبق چکیدهٔ مقاله، آزمایش‌ها در معیارهای پیمایش رابط کاربری و وب و استدلال دیداری چندوجهی نشان داده‌اند که این چارچوب در مقایسه با عامل‌های بدون حافظه و روش‌های مبتنی بر حافظهٔ ثابت، عملکرد را بهبود می‌دهد و هزینهٔ توکن و تعامل را در سطحی معقول نگه می‌دارد. تحلیل انتقال‌پذیری و روند جست‌وجو نیز نشان می‌دهد طراحی‌های حافظهٔ آموخته‌شده ساختارهای تجربهٔ قابل‌استفادهٔ مجدد را بازنمایی می‌کنند و ارتباط نتایج بازیابی را به‌تدریج بهبود می‌دهند. مقاله می‌گوید کد این پروژه نیز در دسترس است.