Memória autoaprimorável para agentes

Um modelo mental popular em IA é pensar em um agente como um trabalhador. Uma nova capacidade pode ser equivalente a "um recém-formado na faculdade" ou "um analista de segundo ano". Esta não é a melhor maneira de pensar sobre as capacidades de IA, mas ilustra um conceito crítico da IA em ação: sempre que você contrata qualquer trabalhador, você espera que ele aprenda e se desenvolva no trabalho.

Os agentes de IA devem fazer o mesmo. Isso exige uma análise mais detalhada do que a "memória" realmente significa em IA.

Apresentando o Brain

Hoje estamos lançando uma abordagem totalmente nova para a memória em IA. Estamos chamando isso de Brain.

O Brain é um sistema de memória autoaprimorável. Ele constrói um gráfico de contexto do trabalho que o Computer realiza. Em intervalos definidos, como durante a noite, o Brain revisa o gráfico de contexto e aprende sozinho a fazer o trabalho melhor.

Quanto mais trabalho você faz, mais o Brain torna o seu Computer melhor e mais eficiente.

Um modelo melhor para a memória de IA

Existem dois eixos de importância para a memória em IA. O primeiro é sobre o que a memória trata, e o segundo é para que serve a memória.

Tradicionalmente, a memória de IA tem sido sobre você, o usuário. Suas preferências, gostos, estilos de trabalho, contatos, cargo e muito mais. O Brain inova com um modelo muito mais eficaz para agentes de IA: o Brain lembra o que o agente fez. Ele lembra o que funcionou e o que falhou, e quais correções foram feitas no trabalho. Ele aprende a fazer um trabalho melhor.

Em segundo lugar, a memória de IA sobre o usuário serve ao propósito de ajudar você a se sentir mais engajado com o agente de IA. A memória de trabalho, como o Brain, serve ao propósito de ajudar o agente a melhorar no trabalho. Este é o propósito mais importante da memória.

Juntos, essa abordagem à memória melhora o desempenho do Computer ao longo do tempo. Todos os dias, o Computer com o Brain tem um ponto de partida melhor para cada nova tarefa. Isso ocorre porque o Brain cria um mapa atualizado do que o usuário provavelmente espera realizar com base em sessões anteriores, no que funcionou e no que não funcionou.

Isso significa que o Computer pode obter respostas mais rapidamente, acessar as fontes mais confiáveis e evitar o desperdício de tempo e tokens.

Autoaprimoramento recursivo

O Brain melhora conforme você usa o Computer. Os agentes tornam-se mais eficazes na atualização do contexto à medida que aprendem os projetos, conectores, artefactos e outras fontes que levam aos melhores resultados.

Eles também aprendem com seus erros, lembrando quando um usuário fez uma correção ou quando uma fonte era um beco sem saída. Isso resulta em menos turnos, menos chamadas de modelo e melhores resultados.

Esse ciclo de feedback é o que torna o Brain continuamente autoaprimorável.

Para os usuários, os agentes ficam melhores em entender o contexto que precisam saber para fazer o trabalho. Isso também significa que o uso atual de tokens é um investimento em um uso mais eficiente de tokens posteriormente.

O gráfico de contexto

O Brain forma um gráfico de contexto dinâmico para o Computer, criando um gráfico rastreável que ajuda o Computer a entender o mundo do usuário, aprender com o seu trabalho e aplicar esse trabalho a tarefas futuras.

A camada de contexto assume a forma de um wiki de LLM que é carregado automaticamente no sandbox do agente. As páginas wiki de LLM de um usuário refletem as ideias, pessoas, projetos e outros elementos que compõem o seu mundo, permitindo que o Computer navegue por essa rede de informações pessoais.

O wiki é atualizado incrementalmente pelo sistema Brain durante a noite, à medida que sintetiza as sessões do usuário junto com os resultados dos conectores, alterações em documentos de origem e correções feitas.

Esse contexto que se atualiza persistentemente dá ao Computer um sinal mais forte sobre o que fazer, onde procurar e como entregar resultados para um usuário.

Desempenho aprimorado

Expandir

Os primeiros resultados de medição mostram que o Brain aumenta a correção de respostas em 25% em tarefas que o Computer já viu antes. E a recuperação aumenta em 16%.

Os mesmos resultados mostram que o Brain reduz o custo de tarefas que exigem contexto histórico em 13%. E os resultados para pessoas que usam o Brain por mais tempo melhoram à medida que os agentes aprendem o seu mundo.

O Brain também mostra o seu trabalho, como outras saídas geradas pelo Perplexity. Cada entrada de memória vincula-se de volta à sessão, arquivo ou fonte de onde veio.

Potencializando IA proativa

Apenas por meio de aprendizado contínuo o Computer se torna a IA proativa que os usuários e empresas nos pedem. Os agentes aprendem e lembram do trabalho e de como melhorar nele.

A IA de fronteira é o sistema individual que você constrói para a IA em sua própria organização. Quando os agentes aprendem ativamente com o trabalho que fazemos, eles podem identificar oportunidades sobre as quais não perguntamos ou sinalizar um problema antes que alguém o note.

Esta versão do Brain é apenas o começo. Anunciaremos novos recursos em breve.

O Brain está sendo lançado hoje para assinantes do Max e Enterprise Max no Research Preview.