თანამედროვე AI აგენტების მთავარი პრობლემა მოკლევადიანი მეხსიერებაა. როდესაც მომხმარებელი სესიას ასრულებს, აგენტი ივიწყებს ყველაფერს — მათ შორის, იმ პრობლემებსაც, რომლებიც წინა საუბრებისას უკვე განიხილეს. ეს პროცესი ხშირად იმედგაცრუებას იწვევს, რადგან მომხმარებელს უწევს ერთი და იმავე დეტალების განმეორებით ახსნა.

Elastic-ის ახალი გადაწყვეტა, რომელიც Agent Builder-ის ნაწილია, ამ ხარვეზს ავსებს. ის ქმნის მეხსიერების ფენას, რომელიც Elasticsearch-ის ინდექსებზეა დაფუძნებული.

მეხსიერების სამი დონე

იმისათვის, რომ სისტემამ ინფორმაცია ეფექტურად დაახარისხოს, Elastic-მა კოგნიტური მეცნიერების სამი კატეგორია გამოიყენა:

  • ეპიზოდური მეხსიერება: ინახავს თითოეულ შეტყობინებას დროის ნიშნულით. ეს არის საწყისი წერტილი, საიდანაც მოგვიანებით მნიშვნელოვანი ფაქტები გამოიყოფა.
  • სემანტიკური მეხსიერება: ინახავს სტაბილურ ფაქტებს მომხმარებლის შესახებ, მაგალითად, რა მოწყობილობებს იყენებს ან რა პარამეტრები აქვს დაყენებული.
  • პროცედურული მეხსიერება: მოიცავს კონკრეტულ ინსტრუქციებს (playbooks), თუ როგორ უნდა გადაიჭრას ესა თუ ის ტექნიკური პრობლემა.

ჰიბრიდული ძიება და სიზუსტე

სისტემა იყენებს ჰიბრიდულ ძიებას, რომელიც აერთიანებს BM25-სა და ვექტორულ ძიებას (Jina v5). ეს კომბინაცია უზრუნველყოფს, რომ AI-მ ზუსტად იპოვოს ინფორმაცია როგორც კონკრეტული ტერმინებით, ისე სემანტიკური მნიშვნელობით.

ტესტირებისას, 168 შეკითხვაზე დაფუძნებულ შეფასებაში, სისტემამ 0.89-იანი სიზუსტე (R@10) აჩვენა. მნიშვნელოვანია, რომ თითოეული მომხმარებლის მონაცემი იზოლირებულია DLS (Document Level Security) ტექნოლოგიით, რაც გამორიცხავს მონაცემთა გაჟონვას სხვა მომხმარებლებთან.

რატომ არის ეს მნიშვნელოვანი?

ტრადიციული მეთოდი, როდესაც მთელი კონტექსტი „კონტექსტურ ფანჯარაში“ იტვირთება, ძვირი და არაეფექტურია. Elastic-ის მიდგომით, ინფორმაცია რჩება მუდმივ საცავში, რაც ამცირებს დანახარჯებს და ზრდის აგენტის ინტელექტუალურ შესაძლებლობებს. ახლა აგენტს შეუძლია, დაეყრდნოს წინა სესიების გამოცდილებას და მომხმარებელს გაცილებით უფრო პერსონალიზებული დახმარება გაუწიოს.

3 ფოტო — დააჭირე გასადიდებლად