Memória autoaperfeiçoável para agentes

Um modelo mental popular em IA é considerar um agente como um trabalhador. Uma nova capacidade pode ser equivalente a "um recém-formado" ou "um analista em seu segundo ano". Esta não é a melhor forma de pensar sobre as capacidades da IA, mas ilustra um conceito crítico da IA em ação: sempre que você contrata qualquer trabalhador, 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 "memória" realmente significa em IA.

Apresentando o Brain

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

Brain é um sistema de memória que se aprimora automaticamente. Ele constrói um gráfico de contexto do trabalho que o Computer realiza. Em intervalos definidos, como durante a noite, o Brain analisa o gráfico de contexto e aprende a realizar o trabalho de forma mais eficiente.

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

Um modelo melhor para a memória de IA

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

Tradicionalmente, a memória da IA tem sido sobre você, o usuário. Suas preferências, gostos, estilos de trabalho, contatos, função e muito mais. O Brain introduz 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 realizar um trabalho melhor.

Em segundo lugar, a memória da IA sobre o usuário serve ao propósito de fazer com que você se sinta mais engajado com o agente de IA. A memória de trabalho, como a do Brain, serve ao propósito de ajudar o agente a melhorar no desempenho da função. 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 Brain tem um ponto de partida melhor para cada nova tarefa. Isso ocorre porque o Brain cria um novo mapa 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 chegar às respostas mais rapidamente, acessar as fontes mais confiáveis e evitar o desperdício de tempo e tokens.

Autoaperfeiçoamento recursivo

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

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

Este ciclo de feedback é o que torna o Brain continuamente autoaperfeiçoável.

Para os usuários, os agentes ficam melhores em entender o contexto que precisam conhecer para realizar 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 vivo para o Computer, criando um gráfico rastreável que ajuda o Computer a entender o mundo do usuário, aprender com seu trabalho e aplicar esse trabalho a tarefas futuras.

A camada de contexto assume a forma de uma wiki de LLM que é carregada automaticamente na sandbox do agente. As páginas da wiki de LLM de um usuário refletem as ideias, pessoas, projetos e outros elementos que compõem seu mundo, permitindo que o Computer percorra essa teia de informações pessoais.

A wiki é atualizada incrementalmente pelo sistema Brain durante a noite, à medida que ele sintetiza as sessões do usuário juntamente com os resultados dos conectores, alterações em documentos de origem e correções realizadas.

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

Desempenho aprimorado

Expandir

Os primeiros resultados de medição mostram que o Brain aumenta a correção das respostas em 25% em tarefas que o Computer já viu antes. E o recall 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 as pessoas que usam o Brain por mais tempo melhoram à medida que os agentes aprendem sobre o seu mundo.

O Brain também mostra seu trabalho, como outros resultados gerados pela Perplexity. Cada entrada de memória remete à sessão, arquivo ou fonte de onde veio.

Impulsionando a IA proativa

Somente através do aprendizado contínuo o Computer se torna a IA proativa que os usuários e empresas nos solicitam. 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 tenha notado.

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 na Visualização de Pesquisa.