Brain: ಜ್ಞಾನ ವಿಕಿಯಾಗಿ ಏಜೆಂಟ್ ಮೆಮೊರಿ
ಒಂದು ರಚನಾತ್ಮಕ, ಟ್ರ್ಯಾಕ್ ಮಾಡಬಹುದಾದ, ಸ್ವಯಂ-ಸುಧಾರಣಾ ಮಾರ್ಕ್ಡೌನ್ ಫೈಲ್ಸಿಸ್ಟಮ್, ಇದನ್ನು ಆಫ್ಲೈನ್ನಲ್ಲಿ ಕಂಪೈಲ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲಾಗುತ್ತದೆ.
Computer ಬಳಕೆದಾರರು ತಿಂಗಳುಗಟ್ಟಲೆ ಮತ್ತು ನೂರಾರು ಸೆಷನ್ಗಳನ್ನು ವ್ಯಾಪಿಸುವ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತಾರೆ. ಹತ್ತನೇ ಸೆಷನ್ ಹೊತ್ತಿಗೆ, ಸಿಸ್ಟಮ್ ಮೊದಲನೆಯದಕ್ಕಿಂತ ಹೆಚ್ಚು ಉತ್ಪಾದಕವಾಗಿರಬೇಕು. ಇದು ಬಳಕೆದಾರರು, ಅವರ ಆದ್ಯತೆಗಳು ಮತ್ತು ಈಗಾಗಲೇ ಮಾಡಲಾದ ಕೆಲಸದ ಬಗ್ಗೆ ಸಂದರ್ಭವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕು.
ಉದಾಹರಣೆಗೆ, ಬಳಕೆದಾರರು ಹಿಂದೆ ವಿವರಿಸಿದ ಕಾರ್ಯಪ್ರವಾಹದ ರೇಖಾಚಿತ್ರವನ್ನು ಎಳೆಯಲು ಕೇಳಿದಾಗ, Computer ವಿವರಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಬಳಕೆದಾರರ ಆದ್ಯತೆಯ ಶೈಲಿಯಲ್ಲಿ ಚಿತ್ರವನ್ನು ರಚಿಸಲು ಮತ್ತು ಔಟ್ಪುಟ್ ಮಾಡಲು ಅವುಗಳನ್ನು ಬಳಸಬೇಕು. ಬಳಕೆದಾರರು ಕಾರ್ಯಪ್ರವಾಹದ ವಿವರಗಳನ್ನು ಮರು-ವಿವರಿಸುವ ಅಗತ್ಯವಿಲ್ಲ ಅಥವಾ PNG ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳ ಮೇಲೆ PDF ಗೆ ತಮ್ಮ ಆದ್ಯತೆಯನ್ನು ಪುನರಾವರ್ತಿಸುವ ಅಗತ್ಯವಿಲ್ಲ; ಸಿಸ್ಟಮ್ ಹಿಂದಿನ ಸೆಷನ್ಗಳಿಂದ ಆ ಸಂದರ್ಭವನ್ನು ನಿಖರವಾಗಿ ಮರುಪಡೆಯಲು ಮತ್ತು ಅದನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅನ್ವಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಮೆಮೊರಿಯು ನಿರಂತರ ಏಜೆಂಟ್ ಸುಧಾರಣೆಯ ಆಧಾರವಾಗಿದೆ. ಪರಿಣಾಮಕಾರಿ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯು ರಚನಾತ್ಮಕವಾಗಿ, ಟ್ರ್ಯಾಕ್ ಮಾಡಬಹುದಾದಂತೆ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಇರಬೇಕು, ಇದು ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವನ್ನು ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾದ ಮಾಹಿತಿಯಲ್ಲಿ ನೆಲೆಯೂರಿಸುವಾಗ ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೂ ಸರಿಯಾದ ಅಗಲ ಮತ್ತು ಆಳದಲ್ಲಿ ಹುಡುಕಲು ಏಜೆಂಟ್ಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಪರಿಚಯ
ಏಜೆಂಟ್ಗಳಿಗೆ ಸಂಬಂಧಿತ ಸಂದರ್ಭವನ್ನು ತುಂಬುವುದು ಬಹುಮುಖಿ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಏಜೆಂಟ್ಗಳಿಗೆ ಯಾವುದು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಪ್ರವೇಶಿಸಬೇಕು ಎಂಬುದು ತಿಳಿದಿರಬೇಕು. ಎರಡನೆಯದಾಗಿ, ಅವರು ಸಹಾಯಕವಾದ ಮಾಹಿತಿಯ ತುಣುಕನ್ನು ಕಂಡುಕೊಂಡಾಗ, ಅದು ಸಂಪೂರ್ಣ, ನಿಖರ ಮತ್ತು ನವೀಕೃತವಾಗಿದೆ ಎಂದು ಅವರಿಗೆ ಖಚಿತವಾಗಿರಬೇಕು. ಏಜೆಂಟ್ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು, ಅದು ವಿಶ್ವಾಸಾರ್ಹ ಮೂಲದಿಂದ ಬಂದಿದೆ ಎಂದು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಹೆಚ್ಚು ಇತ್ತೀಚಿನ ಅವಲೋಕನದೊಂದಿಗೆ ಅದನ್ನು ನವೀಕರಿಸುವ ಅಗತ್ಯವಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗದ ಹೊರತು ಪ್ರತ್ಯೇಕವಾದ ಸತ್ಯವು ಸೀಮಿತ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿದೆ.
ಸ್ಟಾಟಿಕ್ ಮೆಮೊರಿ ಫೈಲ್ಗಳನ್ನು ನೇರವಾಗಿ ಮಾದರಿ ಸಂದರ್ಭದಲ್ಲಿ ತುರುಕುವುದು ಏಜೆಂಟ್ಗಳಿಗೆ ಪ್ರವೇಶಿಸುವಿಕೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಕ್ಲಾಸಿಕ್ ನಿಖರತೆ-ಮರುಪಡೆಯುವಿಕೆ ಟ್ರೇಡ್ಆಫ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಹೆಚ್ಚು ಮಾಹಿತಿಯು ಏಜೆಂಟ್ನ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋವನ್ನು ಕಡಿಮೆ ಪ್ರಾಮುಖ್ಯತೆಯ ವಸ್ತುಗಳೊಂದಿಗೆ ಸ್ಯಾಚುರೇಟ್ ಮಾಡುತ್ತದೆ, ಆದರೆ ತುಂಬಾ ಕಡಿಮೆ ಮಾಹಿತಿಯು ಸಂಬಂಧಿತ ಸಂದರ್ಭದ ಕೊರತೆಯಿಂದ ಉತ್ತರದ ಗುಣಮಟ್ಟವನ್ನು ಕುಂದಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಬಾಹ್ಯ ಡೇಟಾಬೇಸ್ಗಳಿಗೆ ಬೇಡಿಕೆಯ ಮೇರೆಗೆ ಪ್ರವೇಶವು ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಆದರೆ ನ್ಯಾವಿಗೇಷನ್ನ ಹೊರೆಯನ್ನು ಏಜೆಂಟ್ ಮೇಲೆ ವರ್ಗಾಯಿಸುತ್ತದೆ. ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ಗಳು প্রায়ই ಸಂಪರ್ಕ ಕಡಿತಗೊಂಡ ತುಣುಕುಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ, ಮತ್ತು ಗ್ರಾಫ್ ಡೇಟಾಬೇಸ್ಗಳಿಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹೇಗೆ ಪ್ರಶ್ನಿಸಬೇಕು ಎಂಬುದು ಏಜೆಂಟ್ಗಳಿಗೆ ತಿಳಿದಿರಬೇಕು.
ಇತ್ತೀಚೆಗೆ, ನಾವು Brain ಅನ್ನು ಪರಿಚಯಿಸಿದ್ದೇವೆ, ಇದು Computer ನ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ ಮತ್ತು ಎರಡೂ ಲೋಕಗಳ ಅತ್ಯುತ್ತಮವಾದದ್ದನ್ನು ಒದಗಿಸುತ್ತದೆ. Brain ಎನ್ನುವುದು ಸ್ಟಾಟಿಕ್ ಮೆಮೊರಿ ಫೈಲ್ಗಳು ಮತ್ತು ಪುರಾವೆಗಳ ಮೇಲೆ ಕುಳಿತುಕೊಳ್ಳುವ ರಚನಾತ್ಮಕ ಜ್ಞಾನ ವಿಕಿಯಾಗಿದೆ. ಉಲ್ಲೇಖಗಳು ಸಮರ್ಥನೆಗಳನ್ನು ಅವುಗಳ ಮೂಲಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡುತ್ತವೆ, ಮತ್ತು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯ ತುಣುಕುಗಳು ಪಾರ್ಶ್ವವಾಗಿ ಸಂಪರ್ಕಿಸಲ್ಪಡುತ್ತವೆ. ಸಂಘಟಿತ ವಿಕಿಯು ಸಂದರ್ಭವನ್ನು ಬೇಡಿಕೆಯ ಮೇರೆಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಂತೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ವಿವರವಾದ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳನ್ನು ಅದರ ಕೆಳಗಿನ ಪದರದಲ್ಲಿ ಉಳಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
Brain ಮೂರು ಪ್ರಮುಖ ಘಟಕಗಳೊಂದಿಗೆ ಸಮಗ್ರ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ: ಬಾಳಿಕೆ ಬರುವ ಮೆಮೊರಿ ಸಂಗ್ರಹಣೆ, ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಮೆಮೊರಿಯನ್ನು ಬಳಸುವ ಮುನ್ನೆಲೆ ಏಜೆಂಟ್ಗಳು, ಮತ್ತು ಮೆಮೊರಿಯನ್ನು ನವೀಕರಿಸುವ ಮತ್ತು ಸುಧಾರಿಸುವ ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್ಗಳು. Brain ನ ಒಟ್ಟಾರೆ ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿ ನೆಲೆಗೊಂಡಿರುವ ಈ ಘಟಕಗಳನ್ನು ಕೆಳಗಿನ ಚಿತ್ರವು ಚಿತ್ರಿಸುತ್ತದೆ.
ಈ ಲೇಖನದಲ್ಲಿ, Brain ಮೆಮೊರಿಯನ್ನು ಹೇಗೆ ಸಂಘಟಿಸುತ್ತದೆ, ಏಜೆಂಟ್ಗಳು ಅದನ್ನು ಹೇಗೆ ಬಳಸುತ್ತಾರೆ ಮತ್ತು ಹಿನ್ನೆಲೆ ಪ್ರಕ್ರಿಯೆಗಳು ಅದನ್ನು ಹೇಗೆ ನವೀಕೃತವಾಗಿರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತಾ ನಾವು ಪ್ರತಿ ಪದರವನ್ನು ಆಳವಾಗಿ ವಿವರಿಸುತ್ತೇವೆ. Brain ನ ವಿನ್ಯಾಸವನ್ನು ಮೌಲ್ಯಕರಿಸುವ ಆಂತರಿಕ ಮೌಲ್ಯಮಾಪನಗಳ ಫಲಿತಾಂಶಗಳನ್ನೂ ನಾವು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದು ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಏಜೆಂಟ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಇದು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಮೆಮೊರಿ ಸಂಸ್ಥೆ ಮತ್ತು ಸಂಗ್ರಹಣೆ
ಮೆಮೊರಿಗೆ ಪ್ರತಿ ಸಂದರ್ಭದ ತುಣುಕನ್ನು ಪ್ರಾಂಪ್ಟ್ಗೆ ಬಲವಂತವಾಗಿ ತುರುಕದೆ ಬಳಕೆದಾರರ ಸಂಪೂರ್ಣ ಇತಿಹಾಸಕ್ಕೆ ಸ್ಕೇಲ್ ಆಗುವ ಪ್ರತಿನಿಧಿ ಅಗತ್ಯವಿದೆ. Computer ನ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯು ನಿರಂತರ ಸಂದರ್ಭವನ್ನು ಫೈಲ್ಸಿಸ್ಟಮ್ ಆಗಿ ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. Brain ಕಚ್ಚಾ ಮೂಲಗಳಾದ್ಯಂತ ಜ್ಞಾನವನ್ನು ಸಂಶ್ಲೇಷಿಸುತ್ತದೆ, ಸಂಬಂಧಿತ ವಿಷಯಗಳನ್ನು ಸಂಪರ್ಕಿಸುತ್ತದೆ ಮತ್ತು ಹಕ್ಕುಗಳನ್ನು ಅವುಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಸೆಷನ್ಗಳು ಮತ್ತು ಫೈಲ್ಗಳಿಗೆ ಮರಳಿ ಸಂಪರ್ಕಿಸುತ್ತದೆ. ಕೆಳಗೆ ವಿವರವಾಗಿ ವಿವರಿಸಿರುವ ಈ ರಚನೆಯು, ಏಜೆಂಟ್ಗಳಿಗೆ ವಿಶೇಷವಾಗಿ ಸೂಕ್ತವಾದ ರೂಪದಲ್ಲಿ ಮೆಮೊರಿಯನ್ನು ಸಂಘಟಿಸಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ಫೈಲ್ಸಿಸ್ಟಮ್ ಆಧಾರಿತ ಮೆಮೊರಿ
ಕಂಪ್ಯೂಟರ್ ಸೆಷನ್ಗಳು ಈಗಾಗಲೇ ಫೈಲ್ಸಿಸ್ಟಮ್, ಶೆಲ್ ಮತ್ತು I/O ಯುಟಿಲಿಟಿಗಳನ್ನು ಹೊಂದಿರುವ ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ನಲ್ಲಿ ವಾಸಿಸುತ್ತವೆ. Brain ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಾಗ, ಮಾದರಿ ಮತ್ತು ಏಜೆಂಟ್ ಮೆಮೊರಿ ನಡುವಿನ ಇಂಟರ್ಫೇಸ್ನಲ್ಲಿ ಸಾಧ್ಯವಾದಷ್ಟು ಕಡಿಮೆ ಹೊಸ ಯಂತ್ರೋಪಕರಣಗಳನ್ನು ಪರಿಚಯಿಸಲು ನಾವು ಬಯಸಿದ್ದೇವೆ. ಅದಕ್ಕಾಗಿಯೇ ನಾವು ಫೈಲ್ಸಿಸ್ಟಮ್-ನೇಟಿವ್ ಕಾಂಟೆಕ್ಸ್ಟ್ ಲೇಯರ್ ಮೇಲೆ Brain ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಮೆಮೊರಿಯು memory/ ಡೈರೆಕ್ಟರಿಯ ಅಡಿಯಲ್ಲಿ ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ನಲ್ಲಿ ಫೈಲ್ಗಳಾಗಿ ಮೆಟೀರಿಯಲೈಸ್ ಆಗುತ್ತದೆ ಮತ್ತು ಏಜೆಂಟ್ ಈಗಾಗಲೇ ಪ್ರತಿಯೊಂದರಲ್ಲೂ ಬಳಸುವ ಅದೇ ಸಾಧನಗಳನ್ನು ಮೆಮೊರಿ ಫೈಲ್ಗಳ ಮೇಲೂ ಸರಳವಾಗಿ ಬಳಸುತ್ತದೆ.
ಮೆಮೊರಿ ಮರದ ಮೂಲದಲ್ಲಿ ವಿವಿಧ ಹಂತಗಳ ಅಮೂರ್ತತೆಯಲ್ಲಿ ಸಂದರ್ಭವನ್ನು ನಿರ್ವಹಿಸುವ ಮೂರು ಉನ್ನತ ಮಟ್ಟದ ಡೈರೆಕ್ಟರಿಗಳು ಇವೆ. knowledge/ ಎಂಬುದು Brain ಸ್ವತಃ, ಇದು ಎಂಟಿಟಿಗಳು, ಪರಿಕಲ್ಪನೆಗಳು, ಸಕ್ರಿಯ ಪ್ರಾಜೆಕ್ಟ್ಗಳು ಮತ್ತು ಹಿಂದಿನ ಕಲಿಕೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡುವ ಸಂಶ್ಲೇಷಿತ ಜ್ಞಾನ ವಿಕಿಯಾಗಿದೆ; notes/ ವಿಷಯಾಧಾರಿತ ಫೋಲ್ಡರ್ಗಳಾಗಿ ಸಂಘಟಿತವಾದ ಡಿಸ್ಟಿಲ್ ಮಾಡಿದ ಸ್ನಿಪೆಟ್ಗಳನ್ನು ಹೊಂದಿದೆ; ಮತ್ತು sessions/ ಸೂಚ್ಯಂಕಗಳು, ಸಾರಾಂಶಗಳು ಮತ್ತು ಸಂಪೂರ್ಣ ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಕಚ್ಚಾ ಇತಿಹಾಸಗಳಾಗಿ ಹೊಂದಿದೆ. ಕೆಳಗಿನ ಚಿತ್ರವು ಲೇಔಟ್ನ ಸರಳೀಕೃತ ನೋಟವನ್ನು ತೋರಿಸುತ್ತದೆ.
ಮೇಲ್ಮೈಗಳು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಪುನರುತ್ಪಾದಕವಾಗಿವೆ. ಸರಳವಾದ, ಸಿಂಗಲ್-ಹಾಪ್ ಪ್ರಶ್ನೆಗಳಿಗೆ, ಕೀವರ್ಡ್ಗಾಗಿ /notes ಒಳಗೆ ಸ್ನಿಪೆಟ್ಗಳನ್ನು ಹುಡುಕುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಕಾಗುತ್ತದೆ, ಆದರೆ ವಾರಗಳು ಅಥವಾ ತಿಂಗಳುಗಳ Computer ಸೆಷನ್ಗಳಾದ್ಯಂತ ಪುರಾವೆಗಳನ್ನು ಹೊಲಿಯುವ ಅಗತ್ಯವಿರುವ ಪ್ರಶ್ನೆಗಳಿಗೆ /knowledge ಪದರವು ಅತ್ಯಂತ ಉಪಯುಕ್ತವಾಗಿದೆ.
Brain: ಜ್ಞಾನ ವಿಕಿ
Brain ಅನ್ನು LLM wiki ಆಗಿ ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲಾಗಿದೆ, ಇದು ಲಿಂಕ್ ಮಾಡಲಾದ ಮಾರ್ಕ್ಡೌನ್ ಫೈಲ್ಗಳ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಹಗುರವಾಗಿ ರಚನಾತ್ಮಕವಾಗಿರುವ ಈ ಮಾರ್ಕ್ಡೌನ್ ರೂಪವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಂದರ್ಭದ ಸಮಗ್ರ ನೋಟವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದರಿಂದ ಏಜೆಂಟ್ಗಳು ಯಾವ ದಾಖಲೆಗಳು ಲಭ್ಯವಿವೆ, ಅವು ಹೇಗೆ ಸಂಬಂಧಿಸಿವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಎಲ್ಲಿ ಕಂಡುಹಿಡಿಯಬೇಕು ಎಂಬುದನ್ನು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. ಪ್ರತಿ ಪುಟವು ಒಂದು ವಿಷಯದ ನಿರ್ವಹಿಸಲ್ಪಟ್ಟ ನೋಟವಾಗಿದೆ; ಲಿಂಕ್ಗಳ ಮೂಲಕ ಮುಂದಿನ ಅನ್ವೇಷಣೆಯನ್ನು ಸುಲಭವಾಗಿಸುವಾಗ ಇದು ಏಕಾಂಗಿಯಾಗಿ ಓದಿದಾಗ ಉಪಯುಕ್ತವಾಗಿರಬೇಕು.
ಲಿಂಕ್ಗಳು ಎರಡು ವಿಧಗಳಲ್ಲಿ ಬರುತ್ತವೆ. [[wikilinks]] ಎಂದರೆ ಕಾಂಟೆಕ್ಸ್ಟ್ ಎಡ್ಜ್ಗಳು. ಅವು ಪುಟಗಳನ್ನು ಪಾರ್ಶ್ವವಾಗಿ ಸಂಪರ್ಕಿಸುತ್ತವೆ; ಒಂದು ಪ್ರಾಜೆಕ್ಟ್ ತನ್ನ ಮಾಲೀಕರಿಗೆ, ತನ್ನ ಕ್ಲೈಂಟ್ಗೆ ಅಥವಾ ಅದು ಅವಲಂಬಿಸಿರುವ ಪರಿಕಲ್ಪನೆಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಬಹುದು. ಅವುಗಳನ್ನು ಅನುಸರಿಸುವುದು "ನಾನು ಬೇರೆ ಏನು ತಿಳಿದುಕೊಳ್ಳಬೇಕು?" ಎಂಬುದಕ್ಕೆ ಉತ್ತರಿಸುತ್ತದೆ. [cite:N] ಉಲ್ಲೇಖಗಳು ಎವಿಡೆನ್ಸ್ ಎಡ್ಜ್ಗಳಾಗಿವೆ. ಅವು ಹಕ್ಕುಗಳನ್ನು ಅವುಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಕಚ್ಚಾ ಸೆಷನ್ಗಳು ಅಥವಾ ಕನೆಕ್ಟರ್ ಮೂಲಗಳಿಗೆ ಕೆಳಮುಖವಾಗಿ ಸಂಪರ್ಕಿಸುತ್ತವೆ. ಅವುಗಳನ್ನು ಅನುಸರಿಸುವುದು "ಇದು ನಿಜವೆಂದು ನನಗೆ ಹೇಗೆ ಗೊತ್ತು?" ಎಂಬುದಕ್ಕೆ ಉತ್ತರಿಸುತ್ತದೆ.
ಕೆಳಗಿನ ಅಂಕಿಅಂಶಗಳು ಸಿಂಥೆಟಿಕ್ ವ್ಯಕ್ತಿತ್ವಕ್ಕಾಗಿ, ನಾಡಿಯಾ ಹೆಸರಿನ ಪ್ರವೇಶಿಸುವಿಕೆ ಸಂಶೋಧಕರಿಗಾಗಿ Brain ನ ಒಂದು ಭಾಗವು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಚಿತ್ರಿಸುತ್ತವೆ. ಅವಳ Brain ಮಾದರಿ ಪ್ರಾಜೆಕ್ಟ್ನಲ್ಲಿ ಒಂದು ಪುಟವನ್ನು ಒಳಗೊಂಡಿದೆ, ಜಪಾನ್ನಲ್ಲಿ ಯುನಿವರ್ಸಲ್ ಡಿಸೈನ್ ಸ್ಪ್ರಿಂಟ್, ಸೆಷನ್ಗಳು ಮತ್ತು ಕನೆಕ್ಟರ್ಗಳಿಂದ ಜ್ಞಾನವನ್ನು ಸಂಶ್ಲೇಷಿಸುತ್ತದೆ. ಪುಟದಲ್ಲಿ ಪ್ರಸ್ತುತವಿರುವ ಸಂದರ್ಭ ಮತ್ತು ಪುರಾವೆ ಎಡ್ಜ್ಗಳು ಸಂಬಂಧಿತ ಎಂಟಿಟಿಗಳು ಮತ್ತು ಮೂಲಗಳನ್ನು ಹೇಗೆ ಲಿಂಕ್ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಗ್ರಾಫ್ ವೀಕ್ಷಣೆ ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಆವೃತ್ತಿ ಇತಿಹಾಸವನ್ನು ಸಂರಕ್ಷಿಸಲು Brain Git-ಬ್ಯಾಕ್ಡ್ ಆಗಿದೆ, ಇದು ಅದರ ನಿರಂತರವಾಗಿ ವಿಕಸನಗೊಳ್ಳುವ ಸ್ವಭಾವವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಕಾಲಾನಂತರದಲ್ಲಿ ಪುಟಗಳನ್ನು ಸಂಪಾದಿಸಬಹುದು, ಆದರೆ ಚೇಂಜ್ಲಾಗ್ಗಳು ಪ್ರಮುಖ ನವೀಕರಣಗಳನ್ನು ದಾಖಲಿಸುತ್ತವೆ ಮತ್ತು ಹಿಂದಿನ ಆವೃತ್ತಿಗಳು ಹಾಗೂ ಡಿಫ್ಗಳನ್ನು ಸುಲಭವಾಗಿ ಪರಿಶೀಲಿಸಲು ಏಜೆಂಟ್ಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಇದು ಏಜೆಂಟಿಕ್ ಸಮನ್ವಯವನ್ನೂ ಬೆಂಬಲಿಸುತ್ತದೆ, ಇದು ಬಹು ಏಜೆಂಟ್ಗಳು ಏಕಕಾಲದಲ್ಲಿ Brain ಅನ್ನು ಬಳಸುತ್ತಿರಬಹುದು ಮತ್ತು ನವೀಕರಿಸುತ್ತಿರಬಹುದು ಎಂಬ ಕಾರಣಕ್ಕೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ.
Brain ಅನ್ನು ಬಳಸುವುದು
ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವಾಗ, ಏಜೆಂಟ್ಗಳು ಸರಿಯಾದ ಮಟ್ಟದ ವಿವರದಲ್ಲಿ ಸರಿಯಾದ ಸಂದರ್ಭವನ್ನು ಹುಡುಕಲು ಸಾಧ್ಯವಾಗಬೇಕು. Brain ನ ರಚನೆಯು ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿಯನ್ನು ಅನ್ವೇಷಿಸುವುದನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಲು ಕಾಂಟೆಕ್ಸ್ಟ್ ಲಿಂಕ್ಗಳನ್ನು ಅನುಸರಿಸುವುದು, ਦਾવાಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಎವಿಡೆನ್ಸ್ ಲಿಂಕ್ಗಳನ್ನು ಅನುಸರಿಸುವುದು, ಅಥವಾ ಹೆಚ್ಚುವರಿ ಸಂದರ್ಭವನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಮತ್ತು ಸಂಶ್ಲೇಷಿಸಲು ಉಪ-ಏಜೆಂಟ್ ಅನ್ನು ಕರೆಯುವಂತಹ ಕ್ರಿಯಾಶೀಲ ಹಂತಗಳ ನಡುವೆ ಏಜೆಂಟ್ಗಳು ಆಯ್ಕೆ ಮಾಡಬಹುದು. ಸಂಬಂಧಿತ ಮಾಹಿತಿಗೆ ಏಜೆಂಟ್ಗಳ ಪ್ರವೇಶದ ಸುಲಭತೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಹಲವಾರು ವಿಧಾನಗಳಲ್ಲಿ ನಾವು ಏಜೆಂಟಿಕ್ ಎಕ್ಸ್ಪ್ಲೋರೇಶನ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮುನ್ನಡೆಸುತ್ತೇವೆ.
ಎಕ್ಸ್ಪ್ಲೋರೇಶನ್ ತಂತ್ರ
ನಾವು ಆರಂಭಿಕ ಬಳಕೆದಾರರ ಸಂದೇಶದೊಳಗೆ Brain ನ ಕಾಂಪ್ಯಾಕ್ಟ್ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಸೇರಿಸುತ್ತೇವೆ, ಆದ್ದರಿಂದ ಏಜೆಂಟ್ ಈಗಾಗಲೇ ಅ existente ಇರುವ ವಿಷಯದ ಕಾರ್ಯನಿರತ ಜ್ಞಾನದೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಏಜೆಂಟ್ ನಂತರ ಪರಿಚಿತ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಳಸಿ Brain ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತದೆ: ಸೂಚ್ಯಂಕದಿಂದ ಉಲ್ಲೇಖಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಐಟಂಗಳನ್ನು ಓದುವುದು, ಪುಟಗಳಾದ್ಯಂತ ಹುಡುಕಲು grep ಬಳಸುವುದು, ಲಿಂಕ್ಗಳನ್ನು ಅನುಸರಿಸುವುದು ಮತ್ತು ಉಲ್ಲೇಖಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು, Git ಪರಿಷ್ಕರಣೆಗಳನ್ನು ಹೋಲಿಸುವುದು ಮತ್ತು ಸೆಷನ್ಗಳು ಅಥವಾ ಕಚ್ಚಾ ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಟ್ಗಳಿಗೆ ಇಳಿಯುವುದು. ಕೆಳಗಿನ ಕೋಡ್ ಬ್ಲಾಕ್ ಸಿಂಥೆಟಿಕ್ ವ್ಯಕ್ತಿತ್ವಕ್ಕಾಗಿ ಮಾದರಿ ಆಜ್ಞೆಗಳನ್ನು ಚಿತ್ರಿಸುತ್ತದೆ.
# 1. Orient: the index is a map of everything known
cat memory/knowledge/index.md
# 2. Target: find pages that touch the question
grep -Ril "kyoto\|sendai" memory/knowledge/
# 3. Read the page; follow context edges as needed
cat memory/knowledge/projects/japan-universal-design-sprint.md
cat memory/knowledge/entities/sora-city-laboratory.md # via [[wikilink]]
cat memory/knowledge/entities/sapphir-mobility-coop.md # via [[wikilink]]
# 4. Only if the claim must be verified: resolve evidence
# city bases → [cite:1], [cite:10] → pplx://sessions/<id>
#
# Example (pseudo, replace with your real tool):
# pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice <slice-id>
# 5. Some evidence lives outside the sessions
# meeting slots → [cite:15] → connector://google-calendar
#
# pplx-connector-fetch google-calendar --query "japan-sprint"ಏಜೆಂಟ್ಗಳು ನಿಶ್ಚಿತ ಪೈಪ್ಲೈನ್ ಬದಲಿಗೆ ಸ್ವಯಂ-ನಿರ್ದೇಶಿತ ಲೂಪ್ ಮೂಲಕ ಈ ಸಂದರ್ಭವನ್ನು ಅನ್ವೇಷಿಸುತ್ತಾರೆ. ಆದ್ದರಿಂದ, ಕಂಡುಬರುವ ಸಂದರ್ಭದಿಂದ ತೃಪ್ತರಾಗುವವರೆಗೆ ಏಜೆಂಟ್ ಹುಡುಕಾಟವನ್ನು ಮುಂದುವರಿಸಬಹುದು. ವಿವರಗಳನ್ನು ಹುಡುಕಲು ಅಥವಾ ಪರಿಶೀಲಿಸಲು ಉಲ್ಲೇಖಗಳು ಮತ್ತು ಪುರಾವೆಗಳನ್ನು ಯಾವಾಗ ಪರಿಶೀಲಿಸಬೇಕು ಎಂಬುದನ್ನು ಏಜೆಂಟ್ ಆಯ್ಕೆ ಮಾಡಬಹುದು. ಆದ್ಯತೆಯ ಸಣ್ಣ ವಿಷಯವನ್ನು ಒಂದೇ Brain ಪುಟದಿಂದ ನೇರವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳಬಹುದು, ಆದರೆ ಪರಿಣಾಮಕಾರಿ ನಿರ್ಧಾರ ಅಥವಾ ಮೂಲಗಳ ನಡುವಿನ ಸಂಘರ್ಷವು ಉಲ್ಲೇಖವನ್ನು ಅನುಸರಿಸುವುದನ್ನು ಮತ್ತು ಮೂಲ ದಾಖಲೆಯನ್ನು ಓದುವುದನ್ನು ಸಮರ್ಥಿಸಬಹುದು. ಸಂಬಂಧಿತ ಮಾಹಿತಿಗಾಗಿ ಉದ್ದೇಶವಿಲ್ಲದೆ ಹುಡುಕುವುದಕ್ಕಿಂತ, ಕಾಂಕ್ರೀಟ್ ಮುಂದಿನ ಹಂತಗಳ ನಡುವೆ ಆಯ್ಕೆ ಮಾಡಲು ಗ್ರಾಫ್-ಆಧಾರಿತ ರಚನೆಯು ಏಜೆಂಟಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ಫೈಲ್ ಮೆಟೀರಿಯಲೈಸೇಷನ್
ಏಜೆಂಟಿಕ್ ಎಕ್ಸ್ಪ್ಲೋರೇಶನ್ ಕೆಲಸ ಮಾಡಲು, ಏಜೆಂಟ್ಗೆ ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ ಫೈಲ್ಸಿಸ್ಟಮ್ ಮೂಲಕ ಸಂಪೂರ್ಣ memory/ ಮರಕ್ಕೆ ಪ್ರವೇಶವಿರಬೇಕು. ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ ಬೂಟ್ ಆದ ಪ್ರತಿ ಬಾರಿಯೂ ಸಂಪೂರ್ಣ ಮರವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ನಕಲು ಮಾಡುವುದು ದುಬಾರಿಯಾಗಿದೆ ಮತ್ತು ಅನಗತ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಏಜೆಂಟ್ ಆ ಫೈಲ್ಗಳಲ್ಲಿ ಬಹುಪಾಲು ಫೈಲ್ಗಳನ್ನು ಮುಟ್ಟುವುದಿಲ್ಲ. ಮತ್ತೊಂದು ಆಯ್ಕೆಯು ರಿಮೋಟ್ ಫೈಲ್ಸಿಸ್ಟಮ್ ಅನ್ನು ಬಳಸುವುದು, ಇದರಿಂದ ಏಜೆಂಟ್ಗಳು ಯಾವುದೇ ಫೈಲ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ನಕಲು ಮಾಡದೆ ಪ್ರವೇಶಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಏಜೆಂಟ್ಗಳು প্রায়ই ಒಂದೇ ಆಜ್ಞೆಯಲ್ಲಿ ಸಾವಿರಾರು ಫೈಲ್ಸಿಸ್ಟಮ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ; ಪ್ರತಿಯೊಂದೂ ನೆಟ್ವರ್ಕ್ ವಿನಂತಿಯಾದರೆ, ರೌಂಡ್-ಟ್ರಿಪ್ ವೆಚ್ಚವು ಎಕ್ಸ್ಪ್ಲೋರೇಶನ್ ಲೂಪ್ನಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಸಾಧಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. ಆಂತರಿಕ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ರಿಮೋಟ್ FUSE-ಬ್ಯಾಕ್ಡ್ ಪಾತ್ ಮೇಲೆ ಸರಳ grep ವರ್ಕ್ಲೋಡ್ಗಳು ಸ್ಥಳೀಯ ಫೈಲ್ಗಳ ಮೇಲಿನ ಸಮಾನ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಿಂತ ಸರಿಸುಮಾರು 400 ರಿಂದ 500 ಪಟ್ಟು ನಿಧಾನವಾಗಿದ್ದವು.
ಬದಲಿಗೆ, ದೊಡ್ಡ ಕಾರ್ಪಸ್ ಮೆಮೊರಿ ರಿಟ್ರೈವಲ್ ವ್ಯವಸ್ಥೆಯ ಹಿಂದೆ ಉಳಿದಿರುವಾಗ ನಾವು ಮೆಟೀರಿಯಲೈಸ್ ಮಾಡಿದ ಫೈಲ್ಗಳ ಸ್ಥಳೀಯ ವರ್ಕಿಂಗ್ ಸೆಟ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ. Computer ಬೂಟ್ ಆದಾಗ ಆರಂಭಿಕ ನಕ್ಷೆಯನ್ನು (ಇತ್ತೀಚಿನ ನೆನಪುಗಳು, ಸೆಷನ್ಗಳು, ಸಾರಾಂಶಗಳು ಮತ್ತು ಲಭ್ಯವಿರುವ ಜ್ಞಾನದಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ) ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ಗೆ ಪ್ರೀಲೋಡ್ ಮಾಡುತ್ತದೆ. Computer ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಏಜೆಂಟ್ಗೆ ಪ್ರವೇಶವಿದೆ, ಇದು ಸೆಮ್ಯಾಂಟಿಕ್ ಹುಡುಕಾಟವನ್ನು ನಿರ್ವಹಿಸగల ಮತ್ತು ಹೊಸ ಫೈಲ್ಗಳ ಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಬಹುದಾದ ಉಪ-ಏಜೆಂಟ್ ಆಗಿದೆ. ಅಗತ್ಯವಿರುವ ಸಂದರ್ಭವು ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿರುವಾಗ, ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯ ವಿವರಣೆಯೊಂದಿಗೆ Computer ಮೆಮೊರಿ ಏಜೆಂಟ್ ಅನ್ನು ಕರೆಯಬಹುದು. ಮೆಮೊರಿ ಏಜೆಂಟ್ ಫೈಲ್ಗಳಾದ್ಯಂತ ಹುಡುಕುತ್ತದೆ, ತಕ್ಷಣದ ಪಠ್ಯ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ ಮತ್ತು ಮೆಮೊರಿ ಮರದ ಅಡಿಯಲ್ಲಿ ಬೆಂಬಲ ದಾಖಲೆಗಳನ್ನು ಫೈಲ್ಗಳಾಗಿ ಮೆಟೀರಿಯಲೈಸ್ ಮಾಡುತ್ತದೆ. ಈ ರೀತಿಯಲ್ಲಿ, ಈಗಾಗಲೇ موجودಿರುವ ಪುರಾವೆಗಳಿಗಾಗಿ ಸ್ಥಿರ ಮಾರ್ಗಗಳು ಮತ್ತು ಮೂಲ ಸಂಬಂಧಗಳನ್ನು ಸಂರಕ್ಷಿಸುತ್ತಾ ವರ್ಕಿಂಗ್ ಸೆಟ್ ಕಾಲಾನಂತರದಲ್ಲಿ ಸ್ವಾಭಾವಿಕವಾಗಿ ಮತ್ತು ಕ್ರಮೇಣ ವಿಸ್ತರಿಸುತ್ತದೆ.
ಈ ವಿನ್ಯಾಸವು ಲೇಟೆನ್ಸಿ ಬಾಟಲ್ನೆಕ್ ಅನ್ನು ಅಚ್ಚುಕಟ್ಟಾಗಿ ಪರಿಹರಿಸುತ್ತದೆ. ಸಂಬಂಧಿತ ಫೈಲ್ಗಳನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಸಂಗ್ರಹಿಸುವುದು ಎಕ್ಸ್ಪ್ಲೋರೇಶನ್ಗೆ ಅಗತ್ಯವಿರುವ ಫೈಲ್ಸಿಸ್ಟಮ್ ಕಾರ್ಯಾಚರಣೆಗಳು ವೇಗವಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಮತ್ತು ಬ್ಯಾಚ್ ಮಾಡಿದ ರಿಟ್ರೈವಲ್ ಪ್ರತಿ ಫೈಲ್ಗೆ ಪ್ರತ್ಯೇಕ ಕರೆಗಳ ಅಗತ್ಯವಿಲ್ಲದೆ ಅಥವಾ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಅನಗತ್ಯ ಫೈಲ್ಗಳನ್ನು ಲೋಡ್ ಮಾಡದೆ ಮೆಟೀರಿಯಲೈಸ್ ಮಾಡಿದ ಫೈಲ್ಗಳೂ ಸಮೂಹವನ್ನು ಬೆಳೆಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಮುಖ್ಯ ಏಜೆಂಟ್ ಪ್ರತಿ ಬಾರಿಯೂ ಸಂಪೂರ್ಣ ಬ್ಯಾಕೆಂಡ್ ಕಾರ್ಪಸ್ ಅನ್ನು ನೇರವಾಗಿ ಹುಡುಕುವ ಅಗತ್ಯವಿಲ್ಲದೆ ಏಜೆಂಟಿಕ್ ರಿಟ್ರೈವಲ್ನ ಪ್ರಯೋಜನಗಳನ್ನು Computer ಗೆ ನೆಸ್ಟ್-ಏಜೆಂಟ್ ವಿನ್ಯಾಸವು ನೀಡುತ್ತದೆ, ಅತ್ಯಮ್ಯ ಮಾಹಿತಿಗಾಗಿ ತನ್ನದೇ ಆದ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋವನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ.
Brain ಅನ್ನು ನಿರ್ವಹಿಸುವುದು
ಬಳಕೆದಾರರು ತಾವು ಮಾಡುವ ಕೆಲಸದಿಂದ ಮತ್ತು ಹೊಂದಿರುವ ಸಂಭಾಷಣೆಗಳಿಂದ ನಿರಂತರವಾಗಿ ಕಲಿಯುತ್ತಿದ್ದಾರೆ, ಆದ್ದರಿಂದ ಏಜೆಂಟಿಕ್ ಮೆಮೊರಿಯೂ ಹಾಗೆಯೇ ಮಾಡಬೇಕಾಗುತ್ತದೆ. Brain ಉಪಯುಕ್ತವಾಗಿರಲು, ಇದು ಅತ್ಯಂತ ಪ್ರಮುಖವಾದ ಜ್ಞಾನದ ಸಂಕ್ಷಿಪ್ತ ಪ್ರತಿನಿಧಿಯಾಗಿರಬೇಕು. ಪ್ರಮುಖ ಹೊಸ ಎಂಟಿಟಿಗಳಿಗಾಗಿ ಹೊಸ ಪುಟಗಳನ್ನು ರಚಿಸಬೇಕು, ಸಂಬಂಧಿತ Brain ಪುಟಗಳಿಗೆ ಹೊಸ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಬೇಕು, ಮತ್ತು ಹಳೆಯ ಸಂದರ್ಭವನ್ನು ಕಾಲೋಚಿತವಾಗಿ ತೆಗೆದುಹಾಕಬೇಕು. ಉದಾಹರಣೆಗೆ, ಬಳಕೆದಾರರ ಉದ್ಯೋಗವು ಬದಲಾದರೆ, Brain ಆ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸಬೇಕು; ಇದು ಬಳಕೆದಾರರ ಹೊಸ ಉದ್ಯೋಗವನ್ನು ಹೊಂದಿರಬೇಕು ಮತ್ತು ಅವರ ಹೊಸ ಜವಾಬ್ದಾರಿಗಳು ಹಾಗೂ ಪ್ರಾಜೆಕ್ಟ್ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಗೆ ಆದ್ಯತೆ ನೀಡಬೇಕು.
Dream ಎಂದು ನಾವು ಕರೆಯುವ ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್ಗಳಿಂದ Brain ನಿರ್ವಹಿಸಲ್ಪಡುತ್ತದೆ. Dream ಏಜೆಂಟ್ಗಳು ಫೈಲ್ ಆಧಾರಿತ ಮೆಮೊರಿಯ ಮೇಲೆ ಆಫ್ಲೈನ್ನಲ್ಲಿ ರನ್ ಆಗುತ್ತವೆ, ಹೊಸ ಮಾಹಿತಿಯನ್ನು Brain ನವೀಕರಣಗಳಾಗಿ ಸಂಶ್ಲೇಷಿಸುತ್ತವೆ. Brain ನವೀಕರಣಗಳು ಸ್ಥಿರವಾಗಿ ಮತ್ತು ನಿಖರವಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಲು Dream-ನಿರ್ದಿಷ್ಟ ಗಾರ್ಡ್ರೈಲ್ಗಳೊಂದಿಗೆ, ಈ ಕಾರ್ಯವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ವಹಿಸಲು ನಾವು Dream ಏಜೆಂಟ್ಗಳ ವ್ಯಾಪ್ತಿ ಮತ್ತು ವರ್ತನೆಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇವೆ.
Dream: ಮೆಮೊರಿ ಪರಿಷ್ಕರಣೆಗಾಗಿ ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್ಗಳು
ಸಂವಾದಾತ್ಮಕ Computer ಸೆಷನ್ ಹೊಂದಿರುವ ಅದೇ ಫೈಲ್ಸಿಸ್ಟಮ್ ಮತ್ತು ರೀಡ್-ಆನ್ಲಿ ಸಾಧನಗಳಿಗೆ ಪ್ರವೇಶವಿರುವ ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ಗಳಲ್ಲಿ Dream ಏಜೆಂಟ್ಗಳು ರನ್ ಆಗುತ್ತವೆ, ಆದರೆ ಭವಿಷ್ಯದ ಸೆಷನ್ಗಳಿಗೆ ಸಂದರ್ಭವನ್ನು ಸುಧಾರಿಸುವುದು ಅವರ ಏಕೈಕ ಗುರಿಯಾಗಿದೆ. ಬಳಕೆದಾರರ ಸಂದರ್ಭವನ್ನು ಮೊದಲಿನಿಂದ ಮರುನಿರ್ಮಾಣ ಮಾಡುವುದಕ್ಕಿಂತ ಹಿಂದಿನ ರನ್ಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾದ Brain ನಿಂದ ಪ್ರತಿ ರನ್ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಇದು ತನ್ನನ್ನು ತಾನು ಓರಿಯೆಂಟ್ ಮಾಡಲು ಆ ಪ್ರಸ್ತುತ Brain ಅನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯದ ರನ್ಗಳು ಬಳಸಲು ನವೀಕರಿಸಿದ Brain ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
Dream ಏಜೆಂಟ್ ಒಂದು ಪರಿಸರವನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ಗೆ ಚಪ್ಪಟೆಯಾಗಿಸಲಾದ ನಿಶ್ಚಿತ ಇನ್ಪುಟ್ ಅನ್ನು ಸ್ವೀಕರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಅದನ್ನು ಹೇಗೆ ಅನ್ವೇಷಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಇದು ಫೈಲ್ ಆಧಾರಿತ ಮೆಮೊರಿಯನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಬಹುದು, ಜ್ಞಾನದ ತುಣುಕನ್ನು ಪರಿಶೀಲಿಸಲು ಅನುಮೋದಿತ ರೀಡ್-ಆನ್ಲಿ ಕನೆಕ್ಟರ್ ಸಾಧನಗಳನ್ನು ಬಳಸಬಹುದು, ಮತ್ತು ಮೆಮೊರಿ ಏಜೆಂಟ್ ಸೇರಿದಂತೆ ಕೆಲಸದ ಸೀಮಿತ ಭಾಗಗಳನ್ನು ಉಪ-ಏಜೆಂಟ್ಗಳಿಗೆ ನಿಯೋಜಿಸಬಹುದು. Dream ಏಜೆಂಟ್ನ ವ್ಯಾಪ್ತಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಗಳನ್ನು ಕೌಶಲ್ಯ ಎಂದು ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ.
ಸಾಮಾನ್ಯವಾಗಿ, ಒಂದು Dream ರನ್ 4 ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:
- ಓರಿಯೆಂಟ್: ಏಜೆಂಟ್ ಆದೇಶದ ಓರಿಯೆಂಟೇಷನ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ. ಇದು ಅಧಿಕೃತ ವ್ಯಾಪ್ತಿ, ಸ್ಥಾಯಿ ಸೂಚನೆಗಳು, ಅಳಿಸುವಿಕೆ ಲಾಗ್, ಹೆಚ್ಚುವರಿ ಇನ್ಪುಟ್ಗಳು ಮತ್ತು ನಿಲ್ಲಿಸುವ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ.
- ಸೆಷನ್ಗಳ ಸಾರಾಂಶ ನೀಡಿ: ಕೊನೆಯ ನವೀಕರಣದಿಂದ ಹೊಸದಾಗಿರುವ (ಅಥವಾ ಹೊಸ ಟರ್ನ್ಗಳನ್ನು ಹೊಂದಿರುವ) ಪ್ರತಿ ಸೆಷನ್ಗೆ, ಏಜೆಂಟ್ ಸೆಷನ್ನ ಸಣ್ಣ ಸಾರಾಂಶವನ್ನು ಬರೆಯುತ್ತದೆ (ಅಥವಾ ನವೀಕರಿಸುತ್ತದೆ).
- ವಿಷಯಗಳಿಗೆ ಸತ್ಯಗಳನ್ನು ಲಗತ್ತಿಸಿ: ಏಜೆಂಟ್ ತಾನು ಮಹತ್ವದ್ದೆಂದು ಪರಿಗಣಿಸುವ ಪ್ರತಿಯೊಂದು ಅವಲೋಕನವನ್ನು ಅದರ ಸರಿಯಾದ ಮನೆಗೆ ಸೇರಿಸುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ವಿಕಿ ಪುಟವಾಗಿರುತ್ತದೆ. ಇದು ಲಭ್ಯವಿರುವಾಗ ದೃಢೀಕರಿಸಿದ ಕನೆಕ್ಟರ್ಗಳನ್ನು ತನಿಖೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಪ್ರಶ್ನಿಸುತ್ತದೆ.
- ಜ್ಞಾನ ವಿಕಿಯನ್ನು ನವೀಕರಿಸಿ: ಏಜೆಂಟ್ ತನ್ನ கண்டுபிடிப்புಗಳ ಆಧಾರದ ಮೇಲೆ ವಿಕಿಯನ್ನು ನವೀಕರಿಸುತ್ತದೆ. ಇದು ಬಾಳಿಕೆ ಬರುವ ವಿಷಯಗಳಿಗೆ ಹೊಸ ಪುಟಗಳನ್ನು ತಯಾರಿಸಬಹುದು, ಪ್ರಸ್ತುತ ಸಂಶ್ಲೇಷಣೆಯು ಬದಲಾದಾಗ ಪುಟಗಳನ್ನು ಪರಿಷ್ಕರಿಸಬಹುದು, ಅಥವಾ ಸತ್ಯದ ಹಕ್ಕನ್ನು ಬೆಂಬಲಿಸುವ ಹೊಸ ಲಿಂಕ್ಗಳು ಅಥವಾ ಉಲ್ಲೇಖಗಳನ್ನು ಸೇರಿಸಬಹುದು. ಪ್ರಸ್ತುತ ಗ್ರಾಫ್ ಈಗಾಗಲೇ ಸರಿಯಾಗಿದ್ದಾಗ ಯಾವುದೇ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡದಿರಲು ಸಹ ಇದು ಆಯ್ಕೆ ಮಾಡಬಹುದು.
Brain ಗೆ ಯಾವುದೇ ನವೀಕರಣಗಳು ಸಂಪೂರ್ಣವಾಗಿವೆ ಮತ್ತು ಸ್ಥಿರವಾಗಿವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಏಜೆಂಟ್ಗಳು ಪ್ರಸ್ತಾವಿತ ಸ್ಥಿತಿಯನ್ನು ಸ್ಟೇಜ್ ಮಾಡಿದ ಔಟ್ಪುಟ್ ಮರದಲ್ಲಿ ಬರೆಯುತ್ತಾರೆ. ತಾನು ಅಗತ್ಯವೆಂದು ಪರಿಗಣಿಸುವ ಎಲ್ಲಾ ನವೀಕರಣಗಳನ್ನು ಏಜೆಂಟ್ ಮಾಡುವವರೆಗೆ ಯಾವುದೇ ಶಾಶ್ವತ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲಾಗುವುದಿಲ್ಲ. ಆ ನಿರ್ಧಾರಗಳನ್ನು ಒಂದೇ ಏಜೆಂಟಿಕ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಮನ್ವಯಗೊಳಿಸುವುದು ಸಂಬಂಧವಿಲ್ಲದ ಪುಟಗಳ ಬದಲಿಗೆ ಒಟ್ಟಾರೆಯಾಗಿ ಗ್ರಾಫ್ ಅನ್ನು ನವೀಕರಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.
ಯಾವುದೇ ಬದಲಾವಣೆಗಳು ಎರಡು ರೀತಿಯ ಪರಿಶೀಲನೆ ಚೆಕ್ಗಳಲ್ಲಿ ಉತ್ತೀರ್ಣರಾಗಬೇಕು. ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಮಾಪನ ಚೆಕ್ಗಳು ಪುಟಗಳು ಸರಿಯಾಗಿ ರೂಪುಗೊಂಡಿವೆ ಮತ್ತು ಅಗತ್ಯವಿರುವ ಫ್ರಂಟ್ಮ್ಯಾಟರ್ ಮತ್ತು ಉಲ್ಲೇಖ ಸ್ವರೂಪದಂತಹ ವಸ್ತುನಿಷ್ಠ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತವೆ. ಸೆಮ್ಯಾಂಟಿಕ್ ಪರಿಶೀಲನೆ ಚೆಕ್ಗಳು ಪ್ರಸ್ತಾವಿತ ಸಂಶ್ಲೇಷಣೆಯು ಸಂಗ್ರಹಿಸಿದ ಪುರಾವೆಗಳಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ ಮತ್ತು ಗ್ರಾಫ್ನ ಉಳಿದ ಭಾಗದೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತವೆ. ಏಜೆಂಟ್ ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ನಿಯಂತ್ರಿತ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಹಂತವು ಸ್ಟೇಜ್ ಮಾಡಿದ ಔಟ್ಪುಟ್ ಅನ್ನು ಹಿಂದಿನ ಸ್ಥಿತಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ರೆಪೊಸಿಟರಿಗೆ ಬದಲಾವಣೆಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ. ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಹಂತವು ಪೂರ್ಣಗೊಂಡಾಗ, ಅಂತಿಮ ಸಂಪಾದನೆಗಳ ಸೆಟ್ ಅನ್ನು Git ಆವೃತ್ತಿ ಇತಿಹಾಸದ ಮೂಲಕ ಪರಿಶೀಲಿಸಬಹುದು.
Brain ಅನ್ನು ಮೌಲ್ಯಕರಿಸುವುದು
ಉಪಯುಕ್ತ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯು ಸಂಬಂಧಿತ ಪುರಾವೆಗಳನ್ನು ಸಂರಕ್ಷಿಸಬೇಕು, ಅಗತ್ಯವಿದ್ದಾಗ ಅದನ್ನು ಮೇಲ್ಮೈಗೆ ತರಬೇಕು ಮತ್ತು ಆ ಪುರಾವೆಯನ್ನು ಸರಿಯಾದ ಉತ್ತರವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಲು ಏಜೆಂಟಿಗೆ ಸಹಾಯ ಮಾಡಬೇಕು. ಆದ್ದರಿಂದ ನಾವು Brain ಅನ್ನು ಬಹು ಮಟ್ಟಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ: ನಿಯಂತ್ರಿತ ಆಫ್ಲೈನ್ ಅಬ್ಲೇಷನ್ಗಳು, ನಿರಂತರ ಜೋಡಿಯಾದ ರಿಪ್ಲೇ, ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಪ್ರೊಡಕ್ಷನ್ ಪ್ರಯೋಗಗಳು.
ಆಫ್ಲೈನ್ ಮೌಲ್ಯಮಾಪನಗಳು
ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಆಫ್ಲೈನ್ ಮೌಲ್ಯಮಾಪನವು 44 ಸಿಂಥೆಟಿಕ್ ವ್ಯಕ್ತಿತ್ವಗಳಾದ್ಯಂತ 640 ಪ್ರಶ್ನೆಗಳ ಆಂತರಿಕ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆಯನ್ನು ಸಂರಕ್ಷಿಸಲು ಯಾವುದೇ ಪ್ರೊಡಕ್ಷನ್ ಪ್ರಶ್ನೆ ಪಠ್ಯವನ್ನು ಹೊಂದಿಲ್ಲದಿದ್ದರೂ, ವ್ಯಕ್ತಿತ್ವಗಳು ಸೆಷನ್ ಕ್ಯಾಡೆನ್ಸ್, ಟರ್ನ್ ಕೌಂಟ್, ಟಾಪಿಕ್ ಮಿಕ್ಸ್ ಮತ್ತು ಫ್ಯಾಕ್ಟ್ ಡೆನ್ಸಿಟಿಯಲ್ಲಿ ಪ್ರೊಡಕ್ಷನ್-ಪಡೆದ ಮಾದರಿಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸುತ್ತವೆ. ಮೆಮೊರಿ ಹೊರತೆಗೆಯುವಿಕೆ, ಸಂಭಾಷಣೆ ಸಾರಾಂಶಗಳು ಮತ್ತು ಜ್ಞಾನ ವಿಕಿಯ Dream ಸಂಕಲನ ಸೇರಿದಂತೆ ಪ್ರೊಡಕ್ಷನ್ ಮೆಮೊರಿ ಪೈಪ್ಲೈನ್ ಮೂಲಕ ಪ್ರತಿ ಖಾತೆಯನ್ನು ಜನಸಂಖ್ಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ಪ್ರಶ್ನೆಗೆ, ಸರಿಯಾದ ಉತ್ತರವು ಖಾತೆಯ ಇತಿಹಾಸದಲ್ಲಿರುವ ನಿರ್ದಿಷ್ಟ ಪುರಾವೆಗಳಿಗೆ ಯಾಂತ್ರಿಕವಾಗಿ ಬದ್ಧವಾಗಿರುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ನಾಡಿಯಾಳಿಗಾಗಿ, ಮೊದಲು ಪರಿಚಯಿಸಲಾದ ಪ್ರವೇಶಿಸುವಿಕೆ ಸಂಶೋಧಕ ಸಿಂಥೆಟಿಕ್ ವ್ಯಕ್ತಿತ್ವಕ್ಕಾಗಿ, ಡೇಟಾಸೆಟ್ "ನಾನು ಕ್ಯೋಟೋ ಮತ್ತು Sendai ನಲ್ಲಿ ಯಾವ org ಗಳನ್ನು ಭೇಟಿ ಮಾಡುತ್ತಿದ್ದೇನೆ?" ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಉತ್ತರ (క్యೋಟೋದಲ್ಲಿ Sora City Lab ಮತ್ತು Sendai ನಲ್ಲಿ Sapphir Mobility Coop) ನೇರವಾಗಿ ಅನುಗುಣವಾದ ವಿಕಿ ಪುಟದಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ.
ಸಂಕಲಿಸಿದ ಜ್ಞಾನ ವಿಕಿ ಸಕ್ರಿಯವಾಗಿರುವ ಹಾಗೂ ಸಕ್ರಿಯವಾಗಿಲ್ಲದ ಸ್ಥಿತಿಗಳೊಂದಿಗೆ ನಾವು ಒಂದೇ ರೀತಿಯ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಖಾತೆಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡುತ್ತೇವೆ. ಎರಡೂ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಇತರ ಮೆಮೊರಿ ಮೇಲ್ಮೈಗಳು ಲಭ್ಯವಿರುತ್ತವೆ. ಇದು ಯಾವುದೇ ಮೆಮೊರಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ Brain ನ ಹೆಚ್ಚಳದ ಕೊಡುಗೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, Brain ಉತ್ತರಗಳ ಸರಿಯಾದತೆಯನ್ನು 0.600 ರಿಂದ 0.661 ಕ್ಕೆ ಹೆಚ್ಚಿಸಿದೆ, ಇದು 6.1 ಶೇಕಡಾವಾರು ಅಂಶಗಳ ಲಾಭವಾಗಿದೆ, ಮತ್ತು ಪುರಾವೆ ಮರುಪಡೆಯುವಿಕೆಯನ್ನು 0.573 ರಿಂದ 0.625 ಕ್ಕೆ ಹೆಚ್ಚಿಸಿದೆ, ಇದು 5.2 ಶೇಕಡಾವಾರು ಅಂಶಗಳ ಲಾಭವಾಗಿದೆ. ಆದ್ಯತೆಗಳ ಕುರಿತಾದ ಪ್ರಶ್ನೆಗಳಿಗೆ (+10.2 pp), ಪ್ರಾದೇಶಿಕ ತಾರ್ಕಿಕತೆಗೆ (+8.6 pp), ಮತ್ತು ಹಿಂದಿನ ಚಟುವಟಿಕೆಯಿಂದ ವಿವರಗಳನ್ನು ಹೊರತೆಗೆಯಲು (+6.9 pp) ಪರಿಣಾಮವು ಅತ್ಯಧಿಕವಾಗಿತ್ತು. 84% ಪ್ರಶ್ನೆಗಳಲ್ಲಿ, ಏಜೆಂಟ್ ಗೋಲ್ಡ್ ಪುರಾವೆಗೆ ಬದ್ಧವಾಗಿರುವ ಮೂಲವನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ಮುಟ್ಟಿದೆ.
ನಾವು ಎರಡು ಸಾರ್ವಜನಿಕ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳ ಉಪಸೆಟ್ಗಳಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ Brain ಅಬ್ಲೇಷನ್ಗಳನ್ನು ಸಹ ರನ್ ಮಾಡಿದ್ದೇವೆ. LoCoMo ನಲ್ಲಿ, ವಿಕಿಯನ್ನು ತೆಗೆದುಹಾಕುವುದು ಮೂರು ವಿಭಿನ್ನ ಮಾದರಿಗಳೊಂದಿಗೆ ಮೂರು ರನ್ಗಳಲ್ಲಿ ಉತ್ತರಗಳ ಸರಿಯಾದತೆಯನ್ನು ಸರಾಸರಿ 4.6 ಶೇಕಡಾವಾರು ಅಂಶಗಳಷ್ಟು ಕಡಿಮೆ ಮಾಡಿದೆ. LongMemEval-S ನಲ್ಲಿ ಇದು ಯಾವುದೇ ಸಾಂಖ್ಯಿಕವಾಗಿ ಮಹತ್ವದ ಬದಲಾವಣೆಯನ್ನು proizводиಲಿಲ್ಲ. ಈ ಫಲಿತಾಂಶವು Brain ನ ಉದ್ದೇಶಿತ ಪಾತ್ರಕ್ಕೆ ಸ್ಥಿರವಾಗಿದೆ. LongMemEval-S ಪ್ರಾಥಮಿಕವಾಗಿ ಪ್ರತ್ಯೇಕ ಸೆಷನ್ಗಳಿಂದ ತತ್ಯಗಳನ್ನು ಮರುಪಡೆಯುವುದನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಆಧಾರವಾಗಿರುವ ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಟ್ಗಳು ಉತ್ತರಕ್ಕೆ ಪುನರುತ್ಪಾದಕ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆ. LoCoMo ಸಂಭಾಷಣೆಗಳು, ಸ್ಪೀಕರ್ಗಳು ಮತ್ತು ದಿನಾಂಕಗಳಾದ್ಯಂತ ಹರಡಿರುವ ಪುರಾವೆಗಳಿಗೆ ಹೆಚ್ಚಿನ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ, ಇದು ವಿಕಿಯ ಕ್ರಾಸ್-ಸೆಷನ್ ಸಂಶ್ಲೇಷಣೆಯು ಕೊಡುಗೆ ನೀಡಲು ಹೆಚ್ಚಿನ ಅವಕಾಶವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
ಒಟ್ಟಾರೆಯಾಗಿ, Brain ಸಕ್ರಿಯಗೊಂಡಾಗ, ಪ್ರೊಡಕ್ಷನ್ ಏಜೆಂಟ್ LongMemEval-S ನಲ್ಲಿ 0.91 ಉತ್ತರದ ಸರಿಯಾದತೆಯನ್ನು ಮತ್ತು LoCoMo ನಲ್ಲಿ 0.83 ಅನ್ನು ಸಾಧಿಸಿದೆ. ಈ ಪ್ರಯೋಗಗಳು ಬೆಂಚ್ಮಾರ್ಕ್ ಉಪಸೆಟ್ಗಳನ್ನು ಬಳಸಿರುವುದರಿಂದ, ಅವು ನಿರ್ಣಾಯಕ ಬೆಂಚ್ಮಾರ್ಕ್ ಫಲಿತಾಂಶಗಳಲ್ಲ. ಆದಾಗ್ಯೂ, ವಿಕಿಯು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಸಂಭಾಷಣೆಗಳಾದ್ಯಂತ ಪುರಾವೆಗಳನ್ನು ಸಂಯೋಜಿಸಬೇಕಾದಾಗ ಎಂಬ ಬಲವಾದ ಸಂಕೇತವನ್ನು ಅಬ್ಲೇಷನ್ಗಳು ಇನ್ನೂ ಒದಗಿಸುತ್ತವೆ. Brain ಎಂಬುದು ಆಪ್ಟಿಮೈಜ್ ಮಾಡಿದ, ಬೆಂಚ್ಮಾರ್ಕ್-ನಿರ್ದಿಷ್ಟ ರಿಟ್ರೈವಲ್ ವ್ಯವಸ್ಥೆಯ ಬದಲಿಗೆ Computer ನ ಭಾಗವಾಗಿರುವುದರಿಂದ, ಪ್ರೊಡಕ್ಷನ್ ವರ್ಕ್ಲೋಡ್ಗಳನ್ನು ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಹೋಲುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಸ್ಪರ್ಧಾತ್ಮಕತೆಯು ಮಾತ್ರ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ.
ಆನ್ಲೈನ್ ಮೌಲ್ಯಮಾಪನಗಳು
ಆಫ್ಲೈನ್ ಡೇಟಾಸೆಟ್ಗಳು ನೈಜ ಬಳಕೆದಾರರ ಇತಿಹಾಸದ ಪ್ರತಿಯೊಂದು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾವು ತಾಜಾ ಪ್ರೊಡಕ್ಷನ್-ಪಡೆದ ಕೋರ್ಟುಗಳ ಮೇಲೆ ದೈನಂದಿನ ಜೋಡಿಯಾದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಸಹ ರನ್ ಮಾಡುತ್ತೇವೆ. Brain ಸಕ್ರಿಯಗೊಂಡಿರುವ ಮತ್ತು ನಿಷ್ಕ್ರಿಯಗೊಂಡಿರುವ ಹೊಂದಾಣಿಕೆಯ ಬಳಕೆದಾರರ ಸ್ಥಿತಿಯ ವಿರುದ್ಧ ಅದೇ ನಿಶ್ಚಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲಾಗುತ್ತದೆ, ನಂತರ ಸರಿಯಾದತೆ, ಪ್ರಸ್ತುತತೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆಗಾಗಿ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ.
ಜೂನ್ 18 ರಂದು ವರದಿ ಮಾಡಲಾದ ಪ್ರಾಥಮಿಕ ಫಲಿತಾಂಶಗಳು Brain ಉತ್ತರಗಳ ಸರಿಯಾದತೆಯನ್ನು 25% ರಷ್ಟು ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆಯನ್ನು 16% ರಷ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸಿವೆ. ಈ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭಗಳು ಮುಂದುವರಿದಿವೆ; ಕಳೆದ 30 ದಿನಗಳಲ್ಲಿ, Brain ಸಕ್ರಿಯಗೊಂಡ ಸೆಷನ್ಗಳು ಪ್ರತಿ ರನ್ ಮತ್ತು ನಿರ್ಣಯಿಸಲ್ಪಟ್ಟ ಪ್ರತಿಯೊಂದು ಆಯಾಮದಲ್ಲೂ ಕಂಟ್ರೋಲ್ ಅನ್ನು ಮೀರಿಸಿವೆ. ಸಂಪೂರ್ಣ ದೃಷ್ಟಿಕೋನದಲ್ಲಿ, Computer ಬಳಕೆದಾರರು ಸರಿಯಾದತೆಯಲ್ಲಿ 9.3 ಅಂಕಗಳು, ಪ್ರಸ್ತುತತೆಯಲ್ಲಿ 8.0 ಅಂಕಗಳು, ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆಯಲ್ಲಿ 8.9 ಅಂಕಗಳ ಸುಧಾರಣೆಗಳನ್ನು ಆನಂದಿಸಿದ್ದಾರೆ. Brain ಸಕ್ರಿಯಗೊಂಡ ಟ್ರೇಜೆಕ್ಟರಿಗಳು ಸರಿಸುಮಾರು 15% ಕಡಿಮೆ ಟೋಕನ್ಗಳನ್ನು ಬಳಸಿವೆ, 10% ಕಡಿಮೆ ವೆಚ್ಚವಾಗಿವೆ, ಮತ್ತು 10% ವೇಗವಾಗಿ ಜನರೇಷನ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಿವೆ.
ನಿರಂತರ ಸುಧಾರಣೆ
ಬಳಕೆದಾರರಿಗೆ ಅತ್ಯುತ್ತಮ ಮೆಮೊರಿ ಅನುಭವವನ್ನು ತರಲು ನಾವು Brain ಅನ್ನು ಪರಿಷ್ಕರಿಸುವುದನ್ನು ಮುಂದುವರಿಸಿದ್ದೇವೆ. ಇತ್ತೀಚಿನ ಒಂದು ಬದಲಾವಣೆಯು Brain ನ ಕಾಂಪ್ಯಾಕ್ಟ್ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಏಜೆಂಟ್ ನಂತರ ಅದನ್ನು ಕಂಡುಹಿಡಿಯುವ ಮತ್ತು ಓದುವ ಅಗತ್ಯವಿಲ್ಲದೆ ನೇರವಾಗಿ ಏಜೆಂಟ್ನ ಆರಂಭಿಕ ಸಂದರ್ಭದಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಯಾದೃಚ್ಛಿಕ ಪ್ರಯೋಗದಲ್ಲಿ, ಈ ಪ್ರೀಫಿಲ್ ಚಿಕಿತ್ಸೆಯು Brain ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸಿತು ಮತ್ತು ಮೆಮೊರಿಗೆ ಸಂಬಂಧಿಸಿದ ಅಸಮಾಧಾನವನ್ನು 6.9% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿತು.
ಆಫ್ಲೈನ್ ಮೌಲ್ಯಮಾಪನ ಹಾರ್ನೆಸ್ ಸ್ವಾಯತ್ತ ಸುಧಾರಣಾ ಪೈಪ್ಲೈನ್ನ ಭಾಗವಾಗಿಯೂ ದ್ವಿಗುಣಗೊಳ್ಳುತ್ತದೆ. Brain ನ ಮೆಮೊರಿ ಉಪ-ಏಜೆಂಟ್, ರಿಟ್ರೈವಲ್ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ ಪ್ರಸ್ತಾವಿತ ಬದಲಾವಣೆಗಳನ್ನು ನಮ್ಮ ಆಂತರಿಕ ಡೇಟಾಸೆಟ್ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳ ಮೇಲೆ ಹೊಂದಾಣಿಕೆಯ ಅಬ್ಲೇಷನ್ಗಳ ಮೂಲಕ ರನ್ ಮಾಡಲಾಗುತ್ತದೆ. Computer ಏಜೆಂಟ್ಗಳು ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಸ್ವಾಯತ್ತವಾಗಿ ಪುನರಾವರ್ತಿಸಬಹುದು, ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯ ಬದಲಾವಣೆ, ಡೆಲ್ಟಾಗಳು ಮತ್ತು ವೆಚ್ಚವನ್ನು ಬಾಳಿಕೆ ಬರುವ ದಾಖಲೆಯಾಗಿ ಸಂರಕ್ಷಿಸಬಹುದು ಮತ್ತು ಸಂಖ್ಯೆಗಳನ್ನು ಚಲಿಸುವ ಬದಲಾವಣೆಗಳನ್ನು ಮಾತ್ರ ಇಟ್ಟುಕೊಳ್ಳಬಹುದು. ಇದರ ಫಲಿತಾಂಶವೆಂದರೆ Brain ನ ಮೌಲ್ಯಮಾಪಕರು ಅದರ ಆಪ್ಟಿಮೈಜರ್ಗಳೂ ಆಗಿರುವ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ, ಇದು ಭವಿಷ್ಯದ ಸುಧಾರಣೆಗಳನ್ನು ನಡೆಸುತ್ತದೆ.
ತೀರ್ಮಾನ
ವಾರಗಳು ಮತ್ತು ತಿಂಗಳುಗಳವರೆಗೆ ಕೆಲಸ ಮಾಡುವ ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಿರಂತರ ಕಲಿಕೆಯು ನಿರ್ಧಾರಕ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಏಜೆಂಟ್ಗಳು ತಮ್ಮ ಸಾಮಾನ್ಯ ಟೂಲ್ಸೆಟ್ಗಳನ್ನು ಬಳಸಿ ನೇರವಾಗಿ ಅನ್ವೇಷಿಸಬಹುದಾದ ಪರಿಸರಗಳಾಗಿ ಮೆಮೊರಿ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದು ಉತ್ತಮ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ಮೆಮೊರಿಯನ್ನು ಫೈಲ್ಸಿಸ್ಟಮ್ ಆಗಿ ಬಹಿರಂಗಪಡಿಸುವುದು, ಮೇಲ್ಭಾಗದಲ್ಲಿ ರಚನಾತ್ಮಕ ಜ್ಞಾನ ವಿಕಿಯಾಗಿ Brain ನೊಂದಿಗೆ, ಸರಳ ಮತ್ತು ಪರಿಚಿತ ಸಾಧನಗಳ ಮೂಲಕ ಸಂದರ್ಭವನ್ನು ಸಮರ್ಥವಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಂತೆ ಮಾಡುತ್ತದೆ.
Brain ಅನ್ನು ಸ್ವಯಂ-ಸುಧಾರಣೆಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಇದರಿಂದ ಬಳಕೆ ಹೆಚ್ಚಾದಂತೆ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯು ಉತ್ತಮಗೊಳ್ಳುತ್ತಾ ಹೋಗಬಹುದು. Dream ಹಿನ್ನೆಲೆ ಏಜೆಂಟ್ಗಳು ತಾಜಾ ಮಾಹಿತಿಯನ್ನು Brain ನವೀಕರಣಗಳಾಗಿ ಡಿಸ್ಟಿಲ್ ಮಾಡುತ್ತವೆ, ಮುನ್ನೆಲೆಯ ಏಜೆಂಟ್ಗಳು ಯಾವಾಗಲೂ ಅತ್ಯಂತ ಇತ್ತೀಚಿನ ಸಂದರ್ಭದ ಸಂಘಟಿತ ನೋಟದೊಂದಿಗೆ ಹೊಸ ಸೆಷನ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತವೆ. ಮೌಲ್ಯಮಾಪನ ಹಾರ್ನೆಸ್ ಕೋರ್ ಮೆಮೊರಿ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಏಜೆಂಟ್-ಫೇಸಿಂಗ್ ಇಂಟರ್ಫೇಸ್ಗಳ ಮೇಲಿನ ಆಟೋರಿಸರ್ಚ್ ಲೂಪ್ಗಳಿಗೆ ಪರೀಕ್ಷಾ ಮೈದಾನವಾಗಿಯೂ ದ್ವಿಗುಣಗೊಳ್ಳುತ್ತದೆ.
ಈಗಾಗಲೇ, Brain ಹೆಚ್ಚು ನಿಖರವಾದ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯುಳ್ಳ ಏಜೆಂಟ್ ಸೆಷನ್ಗಳಿಗೆ ಕಾರಣವಾಗಿದೆ ಹಾಗೂ ವೆಚ್ಚವಾದ ಟೋಕನ್ಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿದೆ. Computer ನ ಪ್ರೊಡಕ್ಷನ್ ಸ್ಟಾಕ್ನೊಂದಿಗೆ Brain ಅನ್ನು ನಾವು ಎಚ್ಚರಿಕೆಯಿಂದ ಸಹ-ವಿನ್ಯಾಸಗೊಳಿಸಿರುವುದು ಈ ಲಾಭಗಳು ಬಳಕೆದಾರರಿಗೆ ನೇರವಾದ ನಿಜವಾದ ಪ್ರಯೋಜನಗಳಾಗಿ ಪರಿವರ್ತನೆಗೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
Computer ನ ಮೆಮೊರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ನಾವು ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ಮಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತಿದ್ದೇವೆ. ಏತನ್ಮಧ್ಯೆ, Brain ಸಕ್ರಿಯಗೊಂಡಿರುವ ಬಳಕೆದಾರರಿಗೆ, ಪ್ರತಿ ಸೆಷನ್ನೊಂದಿಗೆ ಮೆಮೊರಿ ಸುಧಾರಿಸುತ್ತದೆ.