Selvforbedrende minne for agenter

En populær mental modell innen KI er å tenke på en agent som en arbeider. En ny kapasitet kan tilsvare «en nyutdannet fra høyskolen» eller «en analytiker i sitt andre år». Dette er ikke den beste måten å tenke på KI-kapasiteter på, men den illustrerer et kritisk konsept for KI i arbeid: hver gang du ansetter en arbeider, forventer du at hen lærer og utvikler seg i jobben.

KI-agenter bør gjøre det samme. Dette krever en nærmere titt på hva «minne» egentlig betyr i KI.

Vi introduserer Brain

I dag lanserer vi en helt ny tilnærming til minne i KI. Vi kaller det Brain.

Brain er et selvforbedrende minnesystem. Det bygger en kontekstgraf over arbeidet Computer utfører. Med faste mellomrom, som for eksempel over natten, gjennomgår Brain kontekstgrafen og lærer seg selv opp til å gjøre arbeidet bedre.

Jo mer arbeid du utfører, desto bedre og mer effektiv gjør Brain din Computer.

En bedre modell for KI-minne

Det er to viktige akser for minne i KI. Den første handler om hva minnet er om, og den andre handler om hva minnet er til for.

Tradisjonelt har KI-minne handlet om deg, brukeren. Dine preferanser, smaker, arbeidsstiler, kontakter, rolle og mer. Brain er pioner for en mye mer effektiv modell for KI-agenter: Brain husker hva agenten gjorde. Den husker hva som fungerte og hva som feilet, og hvilke korrigeringer som ble gjort i arbeidet. Den lærer seg å gjøre bedre arbeid.

For det andre tjener KI-minne om brukeren formålet med å få deg til å føle deg mer engasjert i KI-agenten. Arbeidsminne som Brain tjener formålet med å hjelpe agenten med å bli bedre på jobben. Dette er det viktigste formålet med minne.

Sammen forbedrer denne tilnærmingen til minne Computers ytelse over tid. Hver dag har Computer med Brain et bedre utgangspunkt for hver nye oppgave. Det er fordi Brain lager et ferskt kart over hva brukeren mest sannsynlig håper å oppnå basert på tidligere økter, hva som har fungert, og hva som ikke har gjort det.

Det betyr at Computer kan nå frem til svar raskere, få tilgang til de mest pålitelige kildene og unngå å kaste bort tid og tokens.

Rekursiv selvforbedring

Brain blir bedre jo mer du bruker Computer. Agenter blir mer effektive til å oppdatere kontekst når de lærer prosjektene, koblingene, artefaktene og andre kilder som fører til de beste resultatene.

De lærer også av feilene sine, og husker når en bruker har gjort en korrigering eller når en kilde var en blindvei. Det resulterer i færre vendinger, færre modellkall og bedre resultater.

Denne tilbakemeldingssløyfen er det som gjør at Brain kontinuerlig forbedrer seg selv.

For brukere blir agentene bedre til å forstå konteksten de trenger å vite for å gjøre arbeidet. Det betyr også at den nåværende tokenbrukelsen er en investering i mer effektiv tokenbrukelse senere.

Kontekstgrafen

Brain danner en levende kontekstgraf for Computer ved å opprette en sporbar graf som hjelper Computer med å forstå brukerens verden, lære av arbeidet deres og anvende dette arbeidet på fremtidige oppgaver.

Kontekstlaget tar form av en LLM-wiki som automatisk lastes inn i agentens sandbox. En brukers LLM-wikisider reflekterer ideene, menneskene, prosjektene og andre elementer som utgjør deres verden, slik at Computer kan navigere i dette nettet av personlig informasjon.

Wikien oppdateres trinnvis av Brain-systemet over natten når det syntetiserer brukerens økter sammen med koblingsresultater, endringer i kildedokumenter og utførte korrigeringer.

Denne vedvarende oppfriskende konteksten gir Computer et sterkere signal om hva den skal gjøre, hvor den skal lete, og hvordan den skal levere resultater for en bruker.

Forbedret ytelse

Forstørr

Tidlige måleresultater viser at Brain øker svarkorrektheten med 25 % på oppgaver Computer har sett før. Og gjenkallingen øker med 16 %.

De samme resultatene viser at Brain reduserer kostnaden for oppgaver som krever historisk kontekst med 13 %. Og resultatene for personer som bruker Brain lenger, forbedres etter hvert som agentene lærer seg deres verden.

Brain viser også arbeidet sitt, i likhet med andre resultater generert av Perplexity. Hver minnepost kobler tilbake til økten, filen eller kilden den kom fra.

Gir kraft til proaktiv KI

Bare gjennom kontinuerlig læring blir Computer den proaktive KI-en som brukere og bedrifter ber oss om. Agenter lærer og husker arbeidet og hvordan de kan bli bedre på det.

Grensene for KI settes av det individuelle systemet du bygger for KI i din egen organisasjon. Når agenter aktivt lærer av arbeidet vi gjør, kan de identifisere mulighet vi ikke spurte om, eller flagge et problem før noen har lagt merke til det.

Denne versjonen av Brain er bare starten. Vi vil kunngjøre nye funksjoner snart.

Brain rulles ut i dag til abonnenter på Max og Enterprise Max i forskningsforhåndsvisning.