Mémoire à auto-apprentissage pour les agents

Un modèle mental populaire en IA consiste à considérer un agent comme un travailleur. Une nouvelle capacité pourrait équivaloir à « un récent diplômé universitaire » ou à « un analyste de deuxième année ». Ce n'est pas la meilleure façon de concevoir les capacités de l'IA, mais cela illustre un concept essentiel de l'IA au travail : lorsque vous embauchez un travailleur, vous vous attendez à ce qu'il apprenne et se développe dans l'exercice de ses fonctions. 

Les agents d'IA devraient faire de même.  Cela incite à examiner de plus près ce que « mémoire » signifie réellement en IA.  

Présentation de Brain

Aujourd'hui, nous lançons une approche entièrement nouvelle de la mémoire en IA. Nous l'appelons Brain. 

Brain est un système de mémoire à auto-apprentissage. Il élabore un graphique contextuel du travail effectué par Computer. À des intervalles définis, comme pendant la nuit, Brain examine le graphique contextuel et s'apprend à mieux faire le travail. 

Plus vous accomplissez de tâches, plus Brain rend votre Computer performant et efficace. 

Un meilleur modèle pour la mémoire de l'IA

Il existe deux axes d'importance pour la mémoire en IA. Le premier concerne l'objet de la mémoire, et le second, son utilité. 

Traditionnellement, la mémoire de l'IA est axée sur vous, l'utilisateur. Vos préférences, vos goûts, vos méthodes de travail, vos contacts, votre rôle, et plus encore. Brain est le pionnier d'un modèle beaucoup plus efficace pour les agents d'IA : Brain se souvient de ce qu'a fait l'agent. Il mémorise ce qui a fonctionné, ce qui a échoué et les corrections apportées au travail. Il apprend à accomplir un meilleur travail. 

Deuxièmement, la mémoire de l'IA concernant l'utilisateur a pour but de vous aider à vous sentir plus engagé envers l'agent d'IA. La mémoire de travail, telle que Brain, a pour but d'aider l'agent à s'améliorer dans son travail. C'est là la fonction la plus importante de la mémoire. 

Ensemble, cette approche de la mémoire améliore les performances de Computer au fil du temps. Chaque jour, Computer doté de Brain dispose d'un meilleur point de départ pour chaque nouvelle tâche. C'est parce que Brain crée une nouvelle carte de ce que l'utilisateur espère le plus probablement accomplir en fonction des sessions passées, de ce qui a fonctionné et de ce qui n'a pas fonctionné. 

Cela signifie que Computer peut obtenir des réponses plus rapidement, accéder aux sources les plus fiables et éviter de gaspiller du temps et des jetons.

Auto-amélioration récursive

Brain s'améliore à mesure que vous utilisez Computer. Les agents deviennent plus efficaces pour actualiser le contexte à mesure qu'ils découvrent les projets, les connecteurs, les artefacts et les autres sources qui mènent aux meilleurs résultats.

Ils apprennent également de leurs erreurs, en se souvenant lorsqu'un utilisateur a fait une correction ou lorsqu'une source menait à une impasse. Il en résulte moins de tours, moins d'appels de modèles et de meilleurs résultats.

Cette boucle de rétroaction est ce qui permet à Brain de s'améliorer continuellement. 

Pour les utilisateurs, les agents améliorent leur compréhension du contexte nécessaire pour effectuer le travail. Cela signifie également que l'utilisation actuelle des jetons constitue un investissement en faveur d'une utilisation plus efficace des jetons par la suite.   

Le graphique contextuel 

Brain forme un graphique contextuel évolutif pour Computer en créant un graphique traçable qui aide Computer à comprendre l'univers de l'utilisateur, à tirer des leçons de son travail et à appliquer ce travail à des tâches futures.

La couche contextuelle prend la forme d'un wiki LLM qui est automatiquement chargé dans le bac à sable de l'agent. Les pages du wiki LLM d'un utilisateur reflètent les idées, les personnes, les projets et d'autres éléments qui composent son univers, permettant à Computer de parcourir ce réseau d'informations personnelles. 

Le wiki est mis à jour de manière incrémentielle par le système Brain pendant la nuit, car il synthétise les sessions de l'utilisateur ainsi que les résultats des connecteurs, les modifications apportées aux documents sources et les corrections effectuées. 

Ce contexte qui s'actualise constamment offre à Computer un signal plus fort sur la marche à suivre, les endroits où chercher et la manière de fournir des résultats à un utilisateur.  

Performance améliorée 

Agrandir

Les premiers résultats de mesure montrent que Brain augmente l'exactitude des réponses de 25 % pour les tâches que Computer a déjà rencontrées. Et le rappel augmente de 16 %.

Les mêmes résultats montrent que Brain réduit de 13 % le coût des tâches nécessitant un contexte historique. Et les résultats pour les personnes qui utilisent Brain plus longtemps s'améliorent à mesure que les agents découvrent leur univers. 

Brain montre également son travail, à l'instar des autres résultats générés par Perplexity. Chaque entrée de mémoire renvoie à la session, au fichier ou à la source d'où elle provient.

Favoriser une IA proactive

Ce n'est que grâce à un apprentissage continu que Computer devient l'IA proactive que les utilisateurs et les entreprises nous réclament. Les agents apprennent et mémorisent le travail ainsi que la façon de s'y perfectionner.

L'IA de pointe est le système individuel que vous construisez pour l'IA au sein de votre propre organisation. Lorsque les agents apprennent activement de notre travail, ils peuvent identifier des opportunités dont nous n'avons pas parlé ou signaler un problème avant que quiconque ne l'ait remarqué.

Cette version de Brain n'est qu'un début. Nous annoncerons de nouvelles fonctionnalités sous peu.

Brain est déployé aujourd'hui pour les abonnés de Max et Enterprise Max en version préliminaire de recherche.