Watafiti wa Google Cloud kwa kushirikiana na Chuo Kikuu cha Illinois huko Urbana-Champaign, hivi karibuni wamezindua mfumo mpya wa kumbukumbu uitwao 'ReasoningBank'. Mfumo huu ni suluhisho la kisasa linaloruhusu programu za Akili Bandia (AI) (LLM - Large Language Model) kuhifadhi na kutumia mikakati muhimu na taarifa za kimantiki walizojifunza kutokana na uzoefu wao wa nyuma. Hii ni hatua kubwa katika kuunda mifumo ya AI inayojifunza na kuboresha uwezo wake kadri muda unavyokwenda.
'ReasoningBank' kimsingi inachanganua majaribio yote, yaliyofanikiwa na yale ya kushindwa, ya programu ya AI inapojaribu kutatua tatizo. Kutokana na uchambuzi huo, inatoa mikakati ya jumla ya hoja (reasoning strategies) ambayo yanaweza kutumika katika matatizo mengine. Kwa lugha rahisi, badala ya kuanza upya kila mara, mfumo unahifadhi 'masomo yaliyojifunzwa' na kuwezesha programu ya AI kufanya maamuzi bora katika kazi mpya kwa kuepuka makosa ya zamani. Hili linafanana na jinsi mfanyabiashara mkongwe nchini Tanzania anavyotumia uzoefu wa miaka mingi wa kupanda na kushuka kwa bei ya mazao sokoni kuongoza maamuzi yake ya sasa ya kununua.
Wataalamu pia wamependekeza mbinu iitwayo MaTTS (Memory-aware Test-Time Scaling). Tofauti na mbinu za zamani zilizorudia majaribio huru, MaTTS inaruhusu programu ya AI kujitengenezea uzoefu mbalimbali kwa kufanya majaribio mengi na kuyahifadhi kwenye ReasoningBank. Mbinu hii inaboresha ubora wa kumbukumbu kwa kulinganisha uzoefu huu na kujifunza kwa kurudia, na hivyo kufanya mikakati ya hoja kuwa tajiri na yenye ufanisi zaidi.
Wakati programu ya AI inapokabiliwa na kazi mpya, kwanza inatafuta taarifa zinazohusiana kutoka kwenye 'ReasoningBank', inaziweka katika maelekezo yake ya utekelezaji, na baada ya kumaliza kazi, inachambua uzoefu mpya na kuuongeza kwenye kumbukumbu.
Mzunguko huu unaoendelea unahakikisha kwamba uwezo wa programu unaongezeka polepole. Kwa mfano, ikiwa programu inashindwa kupata bidhaa maalum mtandaoni, kupitia 'ReasoningBank', inaweza kujifunza jinsi ya kuboresha maneno yake ya utafutaji au kutumia vigezo vya kuchuja kategoria, mbinu ambazo inaweza kuzitumia katika utafutaji mwingine unaofanana.
Mifumo hii ilijaribiwa kwa kutumia miundo mbalimbali maarufu ya lugha kama vile Gemini 2.5 Pro ya Google na Claude 3.7 Sonnet ya Anthropic, katika majukwaa ya kupima kama 'WebArena' (kupima uwezo wa kuvinjari mtandaoni) na 'SWE-Bench-Verified' (kupima uhandisi wa programu). Matokeo yalionyesha kuwa 'ReasoningBank' ilifanya kazi vizuri zaidi kuliko mifumo mingine, ikiongeza kiwango cha mafanikio kwa hadi asilimia 8.3 katika 'WebArena'. Pia, ilionyesha uwezo mkubwa wa kutumia mikakati iliyojifunza kwenye kazi tofauti.
Hata zaidi, ilipounganishwa na MaTTS, mfumo uliboresha utendaji na kupunguza idadi ya hatua zinazohitajika, na hivyo kupunguza gharama za uendeshaji.
Watafiti wanabainisha kuwa 'ReasoningBank' na MaTTS zinafungua ukurasa mpya katika jinsi AI inavyojifunza kutokana na uzoefu na kujiboresha. Wanaamini kuwa hii inatoa fursa thabiti ya kujenga programu za AI zinazoweza kufanya kazi kwa muda mrefu na kujitegemea. Hili linamaanisha uwezekano wa siku zijazo ambapo programu za AI zinaweza kuchanganya uwezo mbalimbali waliojifunza kutoka kazi tofauti na kutatua matatizo magumu zaidi peke yao—hatua muhimu kuelekea akili bandia yenye uelewa zaidi, kama lile la kijana wa miaka 19 kutoka India ambaye hivi karibuni alivutia uwekezaji wa takribani shilingi bilioni 7.5 za Kitanzania (Dola za Kimarekani milioni 3) kwa suluhisho lake la kumbukumbu ya muda mrefu kwa ajili ya programu za AI.