Memoria auto-migliorante per gli agenti

Un modello mentale popolare nell'IA consiste nel pensare a un agente come a un lavoratore. Una nuova funzionalità potrebbe essere paragonata a quella di “un neolaureato” o di “un analista al secondo anno”. Questo non è il modo migliore di concepire le funzionalità dell'IA, ma illustra un concetto critico dell'IA al lavoro: ogni volta che si assume un lavoratore, ci si aspetta che impari e si sviluppi durante l'attività lavorativa.

Gli agenti IA dovrebbero fare lo stesso. Ciò richiede un esame più approfondito di cosa significhi realmente “memoria” nell'IA.

Introduzione di Brain

Oggi lanciamo un approccio completamente nuovo alla memoria nell'IA. Lo chiamiamo Brain.

Brain è un sistema di memoria che si auto-migliora. Costruisce un grafo di contesto del lavoro svolto da Computer. A intervalli prestabiliti, ad esempio durante la notte, Brain esamina il grafo di contesto e apprende autonomamente come migliorare l'esecuzione del lavoro.

Più lavoro si svolge, più Brain rende Computer migliore ed efficiente.

Un modello migliore per la memoria dell'IA

Ci sono due assi di importanza per la memoria nell'IA. Il primo riguarda l'oggetto della memoria, il secondo la sua finalità.

Tradizionalmente, la memoria dell'IA è incentrata sull'utente. Preferenze, gusti, stili di lavoro, contatti, ruolo e altro ancora. Brain introduce un modello molto più efficace per gli agenti IA: Brain ricorda ciò che l'agente ha fatto. Ricorda cosa ha funzionato e cosa è fallito, e quali correzioni sono state apportate al lavoro. Impara a svolgere un lavoro migliore.

In secondo luogo, la memoria dell'IA sull'utente ha lo scopo di aiutare l'utente a sentirsi più coinvolto con l'agente IA. La memoria di lavoro come Brain ha lo scopo di aiutare l'agente a migliorare le proprie prestazioni lavorative. Questo è lo scopo più importante della memoria. Insieme, questo approccio alla memoria migliora le prestazioni di Computer nel tempo. Ogni giorno, Computer con Brain dispone di un punto di partenza migliore per ogni nuovo compito. Questo perché Brain crea una mappa aggiornata di ciò che l'utente probabilmente spera di realizzare basandosi sulle sessioni passate, su ciò che ha funzionato e su ciò che non ha funzionato.

Ciò significa che Computer può ottenere risposte più velocemente, accedere alle fonti più affidabili ed evitare di sprecare tempo e token.

Auto-miglioramento ricorsivo

Brain migliora man mano che si utilizza Computer. Gli agenti diventano più efficaci nell'aggiornare il contesto man mano che imparano i progetti, i connettori, gli artifact e altre fonti che portano ai migliori output.

Imparano inoltre dai propri errori, ricordando quando un utente ha apportato una correzione o quando una fonte si è rivelata un vicolo cieco. Ciò si traduce in meno passaggi, meno chiamate ai modelli e output migliori.

Questo ciclo di feedback è ciò che rende Brain costantemente in grado di auto-migliorarsi.

Per gli utenti, gli agenti diventano più bravi a comprendere il contesto necessario per svolgere il lavoro. Significa anche che l'attuale utilizzo dei token rappresenta un investimento per un utilizzo dei token più efficiente in futuro.

Il grafo di contesto

Brain forma un grafo di contesto dinamico per Computer, creando un grafo tracciabile che aiuta Computer a comprendere il mondo dell'utente, imparare dal suo lavoro e applicare tale lavoro ai compiti futuri.

Il layer di contesto assume la forma di una wiki LLM caricata automaticamente nella sandbox dell'agente. Le pagine della wiki LLM di un utente riflettono idee, persone, progetti e altri elementi che compongono il suo mondo, consentendo a Computer di attraversare questa rete di informazioni personali.

La wiki viene aggiornata in modo incrementale dal sistema Brain durante la notte, sintetizzando le sessioni dell'utente insieme ai risultati dei connettori, alle modifiche ai documenti di origine e alle correzioni apportate.

Questo contesto che si aggiorna costantemente fornisce a Computer un segnale più forte su cosa fare, dove cercare e come fornire output per un utente.

Prestazioni migliorate

Espandi

I primi risultati di misurazione mostrano che Brain aumenta la correttezza delle risposte del 25% sui compiti che Computer ha già affrontato. La recall aumenta del 16%.

Gli stessi risultati mostrano che Brain riduce il costo dei compiti che richiedono un contesto storico del 13%. Inoltre, i risultati per chi utilizza Brain più a lungo migliorano man mano che gli agenti apprendono il loro mondo.

Brain mostra anche il proprio lavoro, come altri output generati da Perplexity. Ogni voce di memoria rimanda alla sessione, al file o alla fonte da cui proviene.

Potenziare l'IA proattiva

Solo attraverso l'apprendimento continuo Computer diventa l'IA proattiva richiesta dagli utenti e dalle aziende. Gli agenti imparano e ricordano il lavoro e come migliorare nello svolgimento dello stesso.

L'IA di frontiera è il sistema individuale che si costruisce per l'IA nella propria organizzazione. Quando gli agenti imparano attivamente dal lavoro svolto, possono identificare opportunità non richieste o segnalare un problema prima che qualcuno se ne accorga.

Questa versione di Brain è solo l'inizio. Annunceremo presto nuove funzionalità.

Brain viene rilasciato oggi per gli abbonati Max ed Enterprise Max in Research Preview.