एजेंटों के लिए स्वयं में सुधार करने वाली मेमोरी

AI में एक लोकप्रिय मानसिक मॉडल यह है कि एजेंट को एक कर्मचारी के रूप में माना जाए। नई क्षमता “हाल ही में कॉलेज से स्नातक हुए छात्र” या “दूसरे वर्ष के विश्लेषक” के बराबर हो सकती है। AI क्षमताओं के बारे में सोचने का यह सबसे अच्छा तरीका नहीं है, लेकिन यह काम पर AI की एक महत्वपूर्ण अवधारणा को स्पष्ट करता है: जब भी आप किसी कर्मचारी को काम पर रखते हैं, तो आप उनसे काम के दौरान सीखने और विकसित होने की अपेक्षा करते हैं।

AI एजेंटों को भी ऐसा ही करना चाहिए। यह इस बात पर बारीकी से विचार करने के लिए मजबूर करता है कि AI में “मेमोरी” का वास्तव में क्या अर्थ है।

Brain का परिचय

आज हम AI में मेमोरी के लिए एक पूरी तरह से नया दृष्टिकोण पेश कर रहे हैं। हम इसे Brain कह रहे हैं।

Brain एक स्वयं में सुधार करने वाली मेमोरी प्रणाली है। यह उस काम का एक संदर्भ ग्राफ़ बनाता है जिसे Computer निष्पादित करता है। निर्धारित अंतराल पर, जैसे रात भर में, Brain संदर्भ ग्राफ़ की समीक्षा करता है और खुद को सिखाता है कि काम को बेहतर तरीके से कैसे किया जाए।

आप जितना अधिक काम करते हैं, Brain आपके Computer को उतना ही बेहतर और अधिक कुशल बनाता है।

AI मेमोरी के लिए एक बेहतर मॉडल

AI में मेमोरी के लिए महत्व के दो अक्ष हैं। पहला यह है कि मेमोरी किसके बारे में है, और दूसरा यह है कि मेमोरी किस लिए है।

पारंपरिक रूप से, AI मेमोरी आपके, यानी उपयोगकर्ता के बारे में रही है। आपकी प्राथमिकताएँ, रुचियाँ, काम करने की शैलियाँ, संपर्क, भूमिका, और बहुत कुछ। Brain AI एजेंटों के लिए एक अधिक प्रभावी मॉडल का बीड़ा उठाता है: Brain याद रखता है कि एजेंट ने क्या किया। यह याद रखता है कि क्या सफल रहा और क्या विफल, और काम में क्या सुधार किए गए। यह बेहतर काम करना सीखता है।

दूसरा, उपयोगकर्ता के बारे में AI मेमोरी का उद्देश्य आपको AI एजेंट के साथ अधिक जुड़ाव महसूस करने में मदद करना है। Brain जैसी वर्क मेमोरी का उद्देश्य एजेंट को नौकरी में बेहतर बनने में मदद करना है। यह मेमोरी का सबसे महत्वपूर्ण उद्देश्य है। साथ ही, मेमोरी के प्रति यह दृष्टिकोण समय के साथ Computer के प्रदर्शन में सुधार करता है। हर दिन, Brain के साथ Computer के पास प्रत्येक नए कार्य के लिए एक बेहतर शुरुआती बिंदु होता है। ऐसा इसलिए है क्योंकि Brain पिछले सत्रों, जो सफल रहा है, और जो नहीं रहा है, के आधार पर उपयोगकर्ता द्वारा क्या हासिल करने की सबसे अधिक संभावना है, इसका एक नया मानचित्र बनाता है।

इसका मतलब है कि Computer तेज़ी से उत्तर प्राप्त कर सकता है, सबसे विश्वसनीय स्रोतों तक पहुँच सकता है, और समय और टोकन बर्बाद करने से बच सकता है।

पुनरावर्ती आत्म-सुधार

जैसे-जैसे आप Computer का उपयोग करते हैं, Brain बेहतर होता जाता है। जब एजेंट उन परियोजनाओं, कनेक्टर, आर्टिफ़ैक्ट और अन्य स्रोतों को सीखते हैं जो सर्वोत्तम आउटपुट की ओर ले जाते हैं, तो वे संदर्भ को अपडेट करने में अधिक प्रभावी हो जाते हैं।

वे अपनी गलतियों से भी सीखते हैं, यह याद रखते हुए कि उपयोगकर्ता ने कब सुधार किया या कब कोई स्रोत मृत अंत (डेड एंड) था। इसका परिणाम कम टर्न, कम मॉडल कॉल और बेहतर आउटपुट में होता है।

यह फीडबैक लूप ही है जो Brain को लगातार स्वयं में सुधार करने वाला बनाता है।

उपयोगकर्ताओं के लिए, एजेंट काम करने के लिए आवश्यक संदर्भ को समझने में बेहतर हो जाते हैं। इसका मतलब यह भी है कि वर्तमान टोकन उपयोग बाद में अधिक कुशल टोकन उपयोग में एक निवेश है।

संदर्भ ग्राफ़

Brain एक ट्रेस करने योग्य ग्राफ़ बनाकर Computer के लिए एक जीवंत संदर्भ ग्राफ़ बनाता है जो Computer को उपयोगकर्ता की दुनिया को समझने, उनके काम से सीखने और उस काम को भविष्य के कार्यों पर लागू करने में मदद करता है।

संदर्भ परत एक LLM विकी का रूप लेती है जो स्वचालित रूप से एजेंट सैंडबॉक्स पर लोड हो जाती है। उपयोगकर्ता के LLM विकी पृष्ठ उन विचारों, लोगों, परियोजनाओं और अन्य तत्वों को दर्शाते हैं जो उनकी दुनिया बनाते हैं, जिससे Computer को व्यक्तिगत जानकारी के इस वेब को पार करने की अनुमति मिलती है।

विकी को Brain प्रणाली द्वारा रात भर क्रमिक रूप से अपडेट किया जाता है क्योंकि यह उपयोगकर्ता के सत्रों के साथ-साथ कनेक्टर परिणामों, स्रोत दस्तावेज़ों में परिवर्तनों और किए गए सुधारों को संश्लेषित करता है।

वह लगातार ताज़ा होने वाला संदर्भ Computer को इस पर मजबूत संकेत देता है कि क्या करना है, कहाँ देखना है, और उपयोगकर्ता के लिए आउटपुट कैसे वितरित करना है।

बेहतर प्रदर्शन

बड़ा करें

प्रारंभिक माप परिणाम दिखाते हैं कि Brain उन कार्यों पर उत्तर की सटीकता को 25% तक बढ़ाता है जिन्हें Computer ने पहले देखा है। और रिकॉल 16% बढ़ जाता है।

वही परिणाम दिखाते हैं कि Brain उन कार्यों की लागत को 13% तक कम कर देता है जिनके लिए ऐतिहासिक संदर्भ की आवश्यकता होती है। और जो लोग लंबे समय तक Brain का उपयोग करते हैं उनके लिए परिणाम तब बेहतर होते हैं जब एजेंट उनकी दुनिया को सीख लेते हैं।

Brain अपने काम को भी दिखाता है, जैसे Perplexity द्वारा उत्पन्न अन्य आउटपुट। प्रत्येक मेमोरी प्रविष्टि उस सत्र, फ़ाइल या स्रोत से वापस लिंक करती है जहाँ से यह आई थी।

सक्रिय AI को सशक्त बनाना

केवल निरंतर सीखने के माध्यम से ही Computer वह सक्रिय AI बनता है जिसकी उपयोगकर्ता और व्यवसाय हमसे मांग करते हैं। एजेंट काम को सीखते और याद रखते हैं और यह भी कि इसमें बेहतर कैसे होना है।

फ्रंटियर AI वह व्यक्तिगत प्रणाली है जिसे आप अपने स्वयं के संगठन में AI के लिए बनाते हैं। जब एजेंट हमारे द्वारा किए गए काम से सक्रिय रूप से सीखते हैं, तो वे उन अवसरों की पहचान कर सकते हैं जिनके बारे में हमने नहीं पूछा था, या किसी के ध्यान देने से पहले ही किसी समस्या को चिह्नित कर सकते हैं।

Brain का यह संस्करण तो बस शुरुआत है। हम जल्द ही नई क्षमताओं की घोषणा करेंगे।

Brain आज रिसर्च प्रीव्यू में Max और Enterprise Max सब्सक्राइबर्स के लिए रोल आउट किया जा रहा है।