Memoria de autoaprendizaje para agentes

Un modelo de razonamiento popular en IA consiste en considerar a un agente como un trabajador. Una nueva capacidad podría ser equivalente a "un recién graduado universitario" o "un analista de segundo año". Esta no es la mejor manera de pensar en las capacidades de la IA, pero ilustra un concepto fundamental de la IA en el trabajo: siempre que contratas a cualquier trabajador, esperas que aprenda y se desarrolle en el puesto.

Los agentes de IA deberían hacer lo mismo. Esto requiere un examen más detenido de lo que realmente significa "memoria" en la IA.

Presentamos Brain

Hoy lanzamos un enfoque totalmente nuevo de la memoria en la IA. Lo llamamos Brain.

Brain es un sistema de memoria de autoaprendizaje. Crea un gráfico de contexto del trabajo que realiza Computer. A intervalos establecidos, como durante la noche, Brain revisa el gráfico de contexto y aprende por sí mismo a realizar el trabajo de manera más eficiente.

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

Un mejor modelo para la memoria de IA

Existen 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 ha girado en torno a usted, el usuario. Sus 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 lo que funcionó y lo que falló, y qué correcciones se realizaron en el trabajo. Aprende a realizar un trabajo mejor.

En segundo lugar, la memoria de la IA sobre el usuario tiene el propósito de ayudarle a sentirse más involucrado con el agente de IA. La memoria de trabajo, como la de Brain, sirve para ayudar al agente a mejorar en su labor. Este es el propósito más importante de la memoria. Juntos, este enfoque de la memoria mejora el rendimiento de Computer con el paso del tiempo. Cada día, Computer con Brain tiene un mejor punto de partida para cada nueva tarea. Esto se debe a que Brain crea un mapa actualizado de lo que es más probable que el usuario desee lograr en función de las sesiones anteriores, de lo que ha funcionado y de lo que no.

Eso significa que Computer puede obtener respuestas más rápido, acceder a las fuentes más fiables y evitar el desperdicio de tiempo y tokens.

Autoaprendizaje recursivo

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

También aprenden de sus errores, recordando cuándo un usuario ha realizado una corrección o cuándo una fuente era un callejón sin salida. Eso da como resultado menos pasos, menos llamadas al modelo y mejores resultados.

Este ciclo de retroalimentación es lo que hace que Brain sea un sistema de mejora continua.

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

El gráfico de contexto

Brain forma un gráfico de contexto vivo para Computer al crear un gráfico trazable que ayuda a Computer a entender 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 wiki de LLM del 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 se actualiza gradualmente mediante el sistema Brain durante la noche a medida que sintetiza las Sesión del usuario junto con los resultados del conector, los cambios en los documentos de origen y las correcciones realizadas.

Ese contexto, que se actualiza constantemente, le da a Computer una señal más clara sobre qué hacer, dónde buscar y cómo ofrecer 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 durante 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 con la Sesión, el archivo o la fuente de donde proviene.

Potenciando la IA proactiva

Solo a través del aprendizaje continuo, Computer se convierte en la IA proactiva que los usuarios y las empresas nos solicitan. 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 realizamos, pueden identificar oportunidades por las que no preguntamos o señalar un problema antes de que alguien lo haya notado.

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

Brain se lanza hoy para los suscriptores de Max y Enterprise Max en la vista previa de investigación.