Memoria de autoaprendizaje para agentes

Un modelo mental popular en la inteligencia artificial consiste en considerar a un agente como a un trabajador. Una nueva capacidad podría equivaler a "un recién graduado universitario" o a "un analista de segundo año". Esta no es la mejor manera de pensar sobre las capacidades de la IA, pero ilustra un concepto fundamental de la IA en acción: cada vez que contratas a cualquier trabajador, esperas que aprenda y se desarrolle en el puesto.

Los agentes de IA deberían hacer lo mismo. Esto invita a examinar más de cerca lo que realmente significa la "memoria" en la IA.

Presentación de Brain

Hoy lanzamos un enfoque completamente nuevo para la memoria en la IA. Lo llamamos Brain.

Brain es un sistema de memoria de autoaprendizaje. Construye un gráfico de contexto del trabajo que realiza Computer. A intervalos determinados, como durante la noche, Brain revisa el gráfico de contexto y se enseña a sí mismo a hacer mejor el trabajo.

Cuanto más trabajo haces, mejor y más eficiente hace Brain a tu Computer.

Un modelo mejor para la memoria de la IA

Hay dos ejes de importancia para la memoria en la IA. El primero es sobre qué trata la memoria y el segundo es para qué sirve la memoria.

Tradicionalmente, la memoria de la IA se ha centrado en ti, el usuario. Tus preferencias, gustos, estilos de trabajo, contactos, rol y más. Brain es pionero en un modelo mucho más eficaz para los agentes de IA: Brain recuerda lo que hizo el agente. Recuerda qué funcionó y qué falló, y qué correcciones se hicieron al trabajo. Aprende a hacer un mejor trabajo.

En segundo lugar, la memoria de la IA sobre el usuario tiene el propósito de ayudarte a sentirte más comprometido con el agente de IA. La memoria de trabajo como Brain tiene el propósito de ayudar al agente a mejorar en su trabajo. Este es el propósito más importante de la memoria.

En conjunto, este enfoque de la memoria mejora el rendimiento de Computer con el tiempo. Todos los días, Computer con Brain tiene un punto de partida mejor para cada nueva tarea. Esto se debe a que Brain crea un mapa actualizado de lo que el usuario probablemente espera lograr en función de las sesiones anteriores, lo que ha funcionado y lo que no.

Eso significa que Computer puede obtener respuestas más rápido, acceder a las fuentes más confiables y evitar perder tiempo y tokens.

Autoaprendizaje recursivo

Brain mejora a medida que usas Computer. Los agentes se vuelven más eficaces para actualizar el contexto a medida que aprenden los proyectos, conectores, artefactos y otras fuentes que conducen a los mejores resultados.

También aprenden de sus errores, y recuerdan cuándo un usuario ha hecho una corrección o cuándo una fuente era un callejón sin salida. Eso se traduce en menos turnos, menos llamadas al modelo y mejores resultados.

Este ciclo de retroalimentación es lo que hace que Brain mejore continuamente por sí mismo.

Para los usuarios, los agentes mejoran en la comprensión del contexto que necesitan conocer para hacer el trabajo. También significa que el uso actual de tokens es una inversión en un uso más eficiente de los tokens más adelante.

El gráfico de contexto

Brain forma un gráfico de contexto dinámico para Computer mediante la creación de un gráfico rastreable que ayuda a Computer a comprender el mundo del usuario, aprender de su trabajo y aplicar ese trabajo a tareas futuras.

La capa de contexto adopta la forma de una wiki de LLM que se carga automáticamente en el entorno aislado del agente. Las páginas de la wiki de LLM de un usuario reflejan las ideas, personas, proyectos y otros elementos que componen su mundo, lo que permite a Computer recorrer esta red de información personal.

La wiki es actualizada progresivamente por el sistema Brain durante la noche a medida que sintetiza las sesiones del usuario junto con los resultados de los conectores, los cambios en los documentos de origen y las correcciones realizadas.

Ese contexto que se actualiza constantemente le proporciona a Computer una señal más sólida sobre qué hacer, dónde buscar y cómo entregar resultados para un usuario.

Rendimiento mejorado

Ampliar

Los resultados de las primeras mediciones muestran que Brain aumenta la precisión de las respuestas en un 25 % en tareas que Computer ya ha visto antes. Y la recuperación aumenta un 16%.

Los mismos resultados muestran que Brain reduce el costo de las tareas que requieren contexto histórico en un 13%. Y los resultados para las personas que usan Brain por más tiempo mejoran a medida que los agentes aprenden su mundo.

Brain también muestra su trabajo, al igual que otros resultados generados por Perplexity. Cada entrada de memoria enlaza de regreso con la sesión, archivo o fuente de la que provino.

Impulsando la IA proactiva

Solo a través del aprendizaje continuo Computer se convierte en la IA proactiva que los usuarios y las empresas nos piden. Los agentes aprenden y recuerdan el trabajo y cómo mejorar en él.

La IA de vanguardia es el sistema individual que construyes para la IA en tu propia organización. Cuando los agentes aprenden activamente del trabajo que hacemos, pueden identificar oportunidades sobre las que no preguntamos o señalar un problema antes de que nadie lo haya notado.

Esta versión de Brain es solo el comienzo. Anunciaremos nuevas capacidades pronto.

Brain se está implementando hoy para los suscriptores de Max y Enterprise Max en vista previa de investigación.