زمینه‌فهمی در هوش مصنوعی: دومین لایهٔ شناخت پیوسته

اگه به یه دستیار انسانی بگی «این هفته خیلی شلوغم»، اون دستیار فقط این جمله رو ذخیره نمی‌کنه. می‌فهمه که احتمالاً نباید برات meeting رزرو کنه، می‌فهمه که جواب ایمیل‌ها رو دیر می‌دی، می‌فهمه که حساسیتت به وقفه‌های غیرضروری بیشتر شده.

این زمینه‌فهمی ـه. یه AI با حافظهٔ ساده، می‌گه «یادم هست گفتی شلوغی». یه AI با زمینه‌فهمی، می‌فهمه «این جمله یعنی چی» و رفتارش رو طبقش تنظیم می‌کنه.

این مقاله، لایهٔ دوم شناخت پیوسته رو باز می‌کنه.

زمینه‌فهمی چیه و چرا اولین قدم نیست

زمینه‌فهمی یعنی فهمیدن چرا پشت داده‌ها، نه فقط ذخیرهٔ خودشون. این دو سطح متفاوته:

• سطح ۱ (حافظه): «کاربر گفت روی پروژه‌ای به اسم آیراکد کار می‌کنه.»
• سطح ۲ (زمینه‌فهمی): «این پروژه احتمالاً مهم‌ترین استراتژیشه، چون هر بار که موضوع باز می‌شه، تن گفتگو جدی‌تر می‌شه و سوال‌ها از سطح اجرایی به سطح positioning می‌ره.»

سطح ۱، با ذخیرهٔ متن قابل دستیابیه. سطح ۲ نیاز به تفسیر داره.

چطور AI زمینه می‌فهمه

زمینه‌فهمی توی AI سه ورودی داره:

۱. آنچه گفته شد

این explicit content ـه. حقایق صریح، سوال‌ها، جواب‌های مستقیم. اولین لایهٔ ساده‌ای که حتی RAG هم می‌تونه capture کنه.

۲. آنچه گفته نشد

مهم‌تر از اولی. چه چیزایی رو نپرسیدی وقتی می‌تونستی؟ چه گزینه‌هایی رو رد کردی بدون توضیح؟ چه موضوعاتی رو سریع عوض کردی؟ این سکوت‌ها، به اندازهٔ خود مکالمه اطلاعات حمل می‌کنن.

مثال: اگه از آیرا بپرسی «کدوم framework برای frontend بهتره؟» و در همون گفتگو، Vue و Svelte رو سریع رد کنی و فقط روی React تمرکز کنی، آیرا می‌فهمه که سوالت نظری نیست — قبلاً تصمیم گرفتی، حالا داری تأیید می‌خوای.

۳. الگوی تکرار

اگه یه موضوع رو بارها برمی‌گردی بهش، حتی اگه با کلمات متفاوت، یه سیگنال قوی است که این یه دغدغهٔ مرکزیه. AI با زمینه‌فهمی این الگو رو می‌فهمه.

تفاوت RAG با زمینه‌فهمی

RAG (Retrieval-Augmented Generation) یه راه‌حل خوب برای آوردن اطلاعات قبلیه. ولی RAG زمینه‌فهمی نیست.

RAG می‌گه: «این پنج تا قبلاً گفته‌شدهٔ مرتبط». زمینه‌فهمی می‌گه: «این پنج تا با هم چی می‌گن دربارهٔ این کاربر؟»

چرا زمینه‌فهمی برای محصول مهمه

تصور کن یه دستیار صوتی داری که هر روز ازش می‌پرسی «امروز چی توی calendar دارم؟»

• بدون زمینه‌فهمی: همون لیست meetingها رو می‌خونه
• با زمینه‌فهمی: می‌فهمه که جمعه‌ها معمولاً یه deep work block می‌خوای و meetingها رو مرتب می‌کنه

این مثال ساده‌ست، ولی همین الگو در همهٔ تعاملات با AI تکرار می‌شه. زمینه‌فهمی، تفاوت بین پاسخ درست و پاسخ مفیدـه.

زمینه‌فهمی در آیرا

موتور CogX، علاوه بر چهار نوع حافظه که در مقالهٔ حافظهٔ بلندمدت توضیح دادیم، یه لایهٔ interpretation هم داره. این لایه:

• روی هر حافظهٔ تازه، یه meta-tag از «چرا این گفته شد» می‌چسبونه
• الگوهای تکراری رو detect می‌کنه و در حافظهٔ روالی ذخیره می‌کنه
• وقتی کاربر یه چیز جدید می‌گه، نه‌تنها متنش بلکه تفسیرش رو در context تزریق می‌کنه

نتیجه‌اش اینه که آیرا توی گفتگوی صدم، می‌تونه بگه: «طبق چیزی که از کارت می‌دونم، تو دنبال مقایسه‌ای هستی که قابلیت scale رو هم در نظر بگیره — نه فقط یه listicle ساده.»

این جمله، یه حافظه نیست. یه تفسیر ـه. آیرا نمی‌گه «یادم هست گفتی scale مهمه». می‌فهمه که نوع سوالی که می‌پرسی، تو خودش این بار رو حمل می‌کنه.

از زمینه‌فهمی به مدل شناختی

زمینه‌فهمی، لایهٔ دوم شناخت پیوسته‌ست. لایهٔ سوم، روی این سواره: مدل شناختی شخصی. اونجا توضیح می‌دیم چطور این تفسیرها، در طول زمان به یه مدل ساختاریافته از سبک فکر کردن کاربر تبدیل می‌شن.

و اگه از اول می‌خوای ببینی چطور حافظه + زمینه‌فهمی + مدل + تداوم رابطه روی هم سوار می‌شن، مقالهٔ بنیادی شناخت پیوسته نقشهٔ کامله.

تجربه‌اش در آیراچت موجوده.