Zelfverbeterend geheugen voor agenten

Een populair mentaal model bij AI is om een agent als een medewerker te beschouwen. Een nieuwe vaardigheid zou gelijk kunnen staan aan “een pas afgestudeerde” of “een tweedejaars analist”. Dit is niet de beste manier om over AI-capaciteiten na te denken, maar het illustreert wel een cruciaal concept van AI op de werkvloer: wanneer u een medewerker aanneemt, verwacht u dat deze tijdens het werk leert en zich ontwikkelt.

AI-agenten zouden hetzelfde moeten doen. Dit vereist een nauwere blik op wat “geheugen” in AI echt betekent.

Introductie van Brain

Vandaag lanceren we een volledig nieuwe benadering van geheugen in AI. We noemen het Brain.

Brain is een zelfverbeterend geheugensysteem. Het bouwt een contextgrafiek op van het werk dat Computer uitvoert. Met vaste tussenpozen, zoals 's nachts, controleert Brain de contextgrafiek en leert het zichzelf hoe het werk beter kan worden gedaan.

Hoe meer werk u verricht, hoe beter en efficiënter Brain uw Computer maakt.

Een beter model voor AI-geheugen

Er zijn twee assen van belang voor geheugen in AI. De eerste is waar het geheugen over gaat, en de tweede is waar het geheugen voor dient.

Traditioneel gaat AI-geheugen over u, de gebruiker. Uw voorkeuren, smaken, werkstijlen, contacten, rol en meer. Brain introduceert een veel effectiever model voor AI-agenten: Brain onthoudt wat de agent heeft gedaan. Het onthoudt wat werkte en wat faalde, en welke correcties op het werk zijn aangebracht. Het leert om beter werk te leveren.

Ten tweede dient AI-geheugen over de gebruiker het doel om u meer betrokken te laten voelen bij de AI-agent. Werkgeheugen zoals Brain dient het doel om de agent te helpen beter te worden in het werk. Dit is het belangrijkste doel van geheugen.

Samen verbetert deze benadering van geheugen de prestaties van Computer in de loop van de tijd. Elke dag heeft Computer met Brain een beter startpunt voor elke nieuwe taak. Dat komt doordat Brain een nieuwe kaart maakt van wat de gebruiker waarschijnlijk wil bereiken, op basis van eerdere sessies, wat heeft gewerkt en wat niet.

Dat betekent dat Computer sneller antwoorden kan vinden, toegang heeft tot de meest betrouwbare bronnen en geen tijd en tokens verspilt.

Recursieve zelfverbetering

Brain wordt beter naarmate u Computer gebruikt. Agenten worden effectiever in het bijwerken van context naarmate ze de projecten, connectors, artefacten en andere bronnen leren kennen die tot de beste resultaten leiden.

Ze leren ook van hun fouten door te onthouden wanneer een gebruiker een correctie heeft aangebracht of wanneer een bron een doodlopend spoor was. Dat resulteert in minder stappen, minder modelaanroepen en betere resultaten.

Deze feedbacklus is wat Brain continu zelfverbeterend maakt.

Voor gebruikers worden de agenten beter in het begrijpen van de context die ze nodig hebben om het werk te doen. Het betekent ook dat het huidige tokengebruik een investering is in efficiënter tokengebruik later.

De contextgrafiek

Brain vormt een levende contextgrafiek voor Computer door een traceerbare grafiek te creëren die Computer helpt de wereld van de gebruiker te begrijpen, van hun werk te leren en dat werk toe te passen op toekomstige taken.

De contextlaag neemt de vorm aan van een LLM-wiki die automatisch in de agent-sandbox wordt geladen. De LLM-wikipagina's van een gebruiker weerspiegelen de ideeën, mensen, projecten en andere elementen die hun wereld vormen, waardoor Computer dit web van persoonlijke informatie kan doorlopen.

De wiki wordt incrementeel bijgewerkt door het Brain-systeem 's nachts, terwijl het de sessies van de gebruiker synthetiseert samen met connectorresultaten, wijzigingen in brondocumenten en aangebrachte correcties.

Die constant verversende context geeft Computer een sterker signaal over wat te doen, waar te zoeken en hoe resultaten voor een gebruiker te leveren.

Verbeterde prestaties

Vergroten

Eerste meetresultaten tonen aan dat Brain de correctheid van antwoorden met 25% verhoogt bij taken die Computer eerder heeft gezien. En de recall stijgt met 16%.

Dezelfde resultaten laten zien dat Brain de kosten van taken die historische context vereisen met 13% verlaagt. En de resultaten voor mensen die Brain langer gebruiken, verbeteren naarmate de agenten hun wereld leren kennen.

Brain toont ook zijn werk, net als andere resultaten die door Perplexity worden gegenereerd. Elk geheugenitem linkt terug naar de sessie, het bestand of de bron waar het vandaan kwam.

Kracht geven aan proactieve AI

Alleen door continu te leren wordt Computer de proactieve AI waar gebruikers en bedrijven om vragen. Agenten leren en onthouden het werk en hoe ze er beter in kunnen worden.

De frontier-AI is het individuele systeem dat u voor AI in uw eigen organisatie bouwt. Wanneer agenten actief leren van het werk dat we doen, kunnen ze kansen identificeren waar we niet om hebben gevraagd, of een probleem signaleren voordat iemand anders het heeft opgemerkt.

Deze versie van Brain is nog maar het begin. We zullen binnenkort nieuwe mogelijkheden aankondigen.

Brain wordt vandaag uitgerold naar Max- en Enterprise Max-abonnees in Research Preview.