Mémoire à auto-apprentissage pour les agents

Un modèle mental populaire en IA consiste à considérer un agent comme un employé. Une nouvelle capacité pourrait être assimilée à celle d'un « jeune diplômé » ou d'un « analyste de deuxième année ». Ce n'est pas la meilleure façon de concevoir les capacités de l'IA, mais cela illustre un concept essentiel du travail avec l'IA : lorsque vous embauchez un employé, vous attendez de lui qu'il apprenne et se développe dans le cadre de ses fonctions.

Les agents d'IA doivent faire de même. Cela nous amène à examiner de plus près ce que signifie réellement la « mémoire » en matière d'IA.

Présentation de Brain

Aujourd'hui, nous lançons une toute nouvelle approche de la mémoire en IA. Nous l'appelons Brain.

Brain est un système de mémoire à auto-apprentissage. Il construit un graphe de contexte du travail effectué par Computer. À intervalles réguliers, par exemple pendant la nuit, Brain examine ce graphe de contexte et apprend lui-même à mieux effectuer le travail.

Plus vous travaillez, plus Brain rend votre Computer performant et efficace.

Un meilleur modèle pour la mémoire en IA

Il existe deux axes d'importance pour la mémoire en IA. Le premier concerne l'objet de la mémoire, et le second, sa finalité.

Traditionnellement, la mémoire de l'IA s'est concentrée sur vous, l'utilisateur : vos préférences, vos goûts, vos styles de travail, vos contacts, votre rôle, et plus encore. Brain ouvre la voie à un modèle bien plus efficace pour les agents d'IA : Brain retient ce que l'agent a fait. Il se souvient de ce qui a fonctionné, de ce qui a échoué et des corrections apportées au travail. Il apprend à améliorer ses résultats.

Deuxièmement, la mémoire de l'IA centrée sur l'utilisateur a pour but de renforcer votre engagement envers l'agent d'IA. La mémoire de travail, telle que Brain, sert à aider l'agent à devenir plus performant dans sa mission. C'est l'objectif premier de la mémoire. Ensemble, cette approche de la mémoire améliore les performances de Computer au fil du temps. Chaque jour, Computer, doté de Brain, bénéficie d'un meilleur point de départ pour chaque nouvelle tâche. En effet, Brain crée une cartographie actualisée de ce que l'utilisateur souhaite probablement accomplir en se basant sur les sessions précédentes, les succès et les échecs.

Cela signifie que Computer peut obtenir des réponses plus rapidement, accéder aux sources les plus fiables et éviter de perdre du temps et des jetons.

Auto-amélioration récursive

Brain s'améliore au fur et à mesure que vous utilisez Computer. Les agents deviennent plus efficaces pour mettre à jour le contexte à mesure qu'ils assimilent les projets, les connecteurs, les Artifact et autres sources menant aux meilleurs résultats.

Ils apprennent également de leurs erreurs, se souvenant lorsqu'un utilisateur a effectué une correction ou lorsqu'une source s'est avérée être une impasse. Il en résulte moins d'itérations, moins d'appels de modèles et de meilleurs résultats.

Cette boucle de rétroaction est ce qui permet à Brain de s'auto-améliorer en continu.

Pour les utilisateurs, les agents deviennent plus aptes à comprendre le contexte nécessaire à l'exécution du travail. Cela signifie également que l'utilisation actuelle des jetons constitue un investissement en vue d'une utilisation plus efficace ultérieurement.

Le graphe de contexte

Brain forme un graphe de contexte vivant pour Computer en créant un graphe traçable qui aide Computer à comprendre l'univers de l'utilisateur, à tirer des leçons de son travail et à appliquer ces acquis aux tâches futures.

La couche de contexte prend la forme d'un wiki LLM automatiquement chargé dans le bac à sable de l'agent. Les pages du wiki LLM de l'utilisateur reflètent les idées, les personnes, les projets et les autres éléments qui composent son univers, permettant à Computer de parcourir ce réseau d'informations personnelles.

Le wiki est mis à jour de manière incrémentale par le système Brain pendant la nuit, à mesure qu'il synthétise les Session de l'utilisateur, les résultats des connecteur, les modifications des documents sources et les corrections apportées.

Ce contexte en rafraîchissement constant fournit à Computer un signal plus fort sur ce qu'il faut faire, où chercher et comment fournir des résultats à l'utilisateur.

Performances améliorées

Agrandir

Les premiers résultats de mesure montrent que Brain augmente la justesse des réponses de 25 % sur les tâches déjà traitées par Computer. Le rappel, quant à lui, augmente de 16 %.

Les mêmes résultats montrent que Brain réduit de 13 % le coût des tâches nécessitant un contexte historique. De plus, les résultats obtenus par les personnes utilisant Brain sur une plus longue période s'améliorent à mesure que les agents apprennent à connaître leur univers.

Brain affiche également son fonctionnement, tout comme les autres résultats générés par Perplexity. Chaque entrée de mémoire renvoie à la Session, au fichier ou à la source dont elle provient.

Propulser l'IA proactive

C'est uniquement par l'apprentissage continu que Computer devient l'IA proactive que les utilisateurs et les entreprises nous réclament. Les agents apprennent et mémorisent le travail ainsi que la manière de s'y améliorer.

L'IA de pointe est le système individuel que vous construisez pour l'IA au sein de votre propre organisation. Lorsque les agents apprennent activement à partir du travail que nous effectuons, ils peuvent identifier des opportunités que nous n'avons pas sollicitées, ou signaler un problème avant que quiconque ne l'ait remarqué.

Cette version de Brain n'est qu'un début. Nous annoncerons bientôt de nouvelles capacités.

Brain est déployé dès aujourd'hui auprès des abonnés Max et Enterprise Max dans le cadre de la version Research Preview.