برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
نمایندگان هوش مصنوعی می توانند بسیاری از وظایف را که شرکت ها می خواهند انجام دهند ، خودکار کنند. با این حال ، یک نکته منفی این است که آنها تمایل به فراموشی دارند. بدون حافظه بلند مدت ، عوامل باید یا یک کار را در یک جلسه واحد به پایان برسانند یا دائماً مجدداً مورد استفاده قرار گیرند.
بنابراین ، با ادامه کار شرکت ها به بررسی موارد استفاده برای نمایندگان هوش مصنوعی و نحوه اجرای ایمن آنها ، شرکت هایی که امکان توسعه نمایندگان را دارند ، باید در نظر بگیرند که چگونه آنها را فراموش کنند. حافظه طولانی مدت باعث می شود تا نمایندگان در یک گردش کار بسیار ارزشمندتر شوند و بتوانند دستورالعمل ها را حتی برای کارهای پیچیده ای که نیاز به چندین چرخش دارند ، به خاطر بسپارند.
Manvinder Singh ، VP از مدیریت محصول AI در Redis ، به VentureBeat گفت که حافظه باعث می شود عوامل قوی تر شوند.
سینگ در یک ایمیل گفت: “حافظه عامل برای تقویت کارآیی و قابلیت های (نمایندگان) بسیار مهم است زیرا LLM ها ذاتاً بدون تابعیت هستند – آنها مواردی مانند اعلان ها ، پاسخ ها یا تاریخ چت را به خاطر نمی آورند.” “حافظه به نمایندگان هوش مصنوعی اجازه می دهد تا تعامل های گذشته را به یاد بیاورند ، اطلاعات را حفظ کنند و زمینه را حفظ کنند تا پاسخ های منسجم تر ، شخصی تر و استقلال تأثیرگذارتر ارائه دهند.”
شرکت هایی مانند Langchain ارائه گزینه هایی برای گسترش حافظه عامل را آغاز کرده اند. Langmem SDK Langchain به توسعه دهندگان کمک می کند تا نمایندگان را با ابزارهایی بسازند “برای استخراج اطلاعات از مکالمه ، بهینه سازی رفتار عامل از طریق به روزرسانی های سریع و حفظ حافظه بلند مدت در مورد رفتارها ، حقایق و رویدادها.”
گزینه های دیگر شامل Memobase ، یک ابزار منبع باز است که در ژانویه راه اندازی شده است تا به نمایندگان “حافظه کاربر محور” بدهد تا برنامه ها به یاد داشته باشند و سازگار شوند. Crewai همچنین در مورد حافظه عامل طولانی مدت ابزار دارد ، در حالی که Swarm OpenAi به کاربران نیاز دارد تا مدل حافظه خود را بیاورند.
مایک میسون ، مدیر ارشد هوش مصنوعی در مشاوره فنی Thinkworks ، در یک ایمیل به VentureBeat گفت که حافظه عامل بهتر نحوه استفاده شرکت ها از نمایندگان را تغییر می دهد.
میسون گفت: “حافظه عوامل هوش مصنوعی را از ابزارهای ساده و واکنشی به دستیاران پویا و سازگار تبدیل می کند.” “بدون آن ، مأمورین باید کاملاً به آنچه در یک جلسه واحد ارائه می شود ، اعتماد کنند و توانایی آنها در بهبود تعامل با گذشت زمان را محدود می کنند.”
حافظه بهتر
حافظه ماندگار در مأمورین می تواند در طعم های مختلفی ایجاد شود.
Langchain با رایج ترین انواع حافظه کار می کند: معنایی و رویه. معنایی به حقایق اشاره دارد ، در حالی که رویه به فرآیندها یا نحوه انجام وظایف اشاره دارد. این شرکت گفت که نمایندگان از قبل حافظه کوتاه مدت خوبی دارند و می توانند در موضوع مکالمه فعلی پاسخ دهند. Langmem حافظه رویه ای را به عنوان دستورالعمل های به روز شده در سریع ذخیره می کند. LANGMEM در مورد کار خود در مورد بهینه سازی سریع ، الگوهای تعامل را شناسایی کرده و به روز می کند “سیستم سریع برای تقویت رفتارهای مؤثر. این یک حلقه بازخورد ایجاد می کند که در آن دستورالعمل های اصلی عامل بر اساس عملکرد مشاهده شده تکامل می یابد. “
محققانی که روی راه های گسترش خاطرات مدل های هوش مصنوعی کار می کنند و در نتیجه عوامل هوش مصنوعی دریافتند که عوامل دارای حافظه بلند مدت می توانند از اشتباهات یاد بگیرند و بهبود پیدا کنند. مقاله ای از اکتبر سال 2024 به بررسی مفهوم خود تکامل هوش مصنوعی از طریق حافظه بلند مدت ، نشان می دهد که مدل ها و عوامل در واقع بیشتر به یاد می آورند. مدل ها و نمایندگان شروع به سازگاری با نیازهای فردی بیشتر می کنند زیرا آنها دستورالعمل های سفارشی بیشتری را برای مدت طولانی تر به یاد می آورند.
در مقاله دیگری ، محققان دانشگاه راتگرز ، گروه ANT و Salesforce یک سیستم حافظه جدید به نام A-MEM را بر اساس روش یادداشت برداری Zettelkasten معرفی کردند. در این سیستم ، نمایندگان شبکه های دانش ایجاد می کنند که “مدیریت حافظه سازگار و آگاه تر” را قادر می سازد.
Redis's Singh گفت که نمایندگانی که دارای عملکرد حافظه بلند مدت هستند مانند هارد دیسک ، “داشتن اطلاعات زیادی که در چندین کار ادامه می یابد یا مکالمه ها ادامه می یابد ، به نمایندگان اجازه می دهد از بازخورد یاد بگیرند و با ترجیحات کاربر سازگار شوند.” هنگامی که عوامل در گردش کار ادغام می شوند ، این نوع سازگاری و خودآموزی به سازمان ها اجازه می دهد تا همان مجموعه ای از عوامل را که روی یک کار کار می کنند ، به اندازه کافی طولانی نگه دارند تا بدون نیاز به مجدداً آنها را تکمیل کنند.
ملاحظات حافظه
اما کافی نیست که نمایندگان را بیشتر به یاد بیاورند. سینگ گفت سازمان ها همچنین باید در مورد آنچه مأمورین باید فراموش کنند تصمیم بگیرند.
وی گفت: “چهار تصمیم سطح بالا وجود دارد که شما باید هنگام طراحی یک معماری مدیریت حافظه تصمیم بگیرید: کدام نوع خاطرات را ذخیره می کنید؟ چگونه خاطرات را ذخیره و به روز می کنید؟ چگونه خاطرات مربوطه را بازیابی می کنید؟ چگونه خاطرات را پوسیده می کنید؟ ” سینگ گفت.
وی تأکید کرد که شرکت ها باید به این سؤالات پاسخ دهند زیرا اطمینان حاصل می کند که “سیستم عامل ، سرعت ، مقیاس پذیری و انعطاف پذیری را حفظ می کند ، کلید ایجاد یک تجربه کاربر سریع ، کارآمد و دقیق است.”
لانگچین همچنین گفت که سازمان ها باید در مورد اینکه چه رفتارهایی را تنظیم می کند ، که باید از طریق حافظه آموخته شود ، روشن باشد. چه نوع عوامل دانش باید به طور مداوم ردیابی کنند. و چه چیزی باعث یادآوری حافظه می شود.
این شرکت در یک پست وبلاگ گفت: “در Langchain ، ما ابتدا برای شناسایی قابلیت هایی که نماینده شما باید بتواند یاد بگیرد ، این موارد را به انواع حافظه یا رویکردهای خاص ترسیم کرده است ، و فقط در این صورت آنها را در نماینده خود پیاده سازی می کنیم.”
تحقیقات اخیر و این پیشنهادات جدید فقط شروع توسعه ابزارها برای ارائه حافظه طولانی مدت به نمایندگان است. و همانطور که شرکت ها قصد دارند تا نمایندگان را در مقیاس بزرگتر مستقر کنند ، حافظه فرصتی را برای شرکت ها برای تمایز محصولات خود فراهم می کند.