Új memóriatechnika segíti az AI-ügynökök tanulását: az AMC megőrzi a tudást
Az Adaptive Memory Crystallization (AMC) nevű új memóriatechnika megoldást kínál az autonóm AI-ügynökök régóta fennálló problémájára, hogy új képességeket szerezzenek anélkül, hogy elveszítenék korábbi tudásukat.
Az autonóm AI-ügynökök számára kritikus kihívás, hogy dinamikus környezetben működve folyamatosan tanuljanak, miközben megőrzik korábbi ismereteiket. Erre a problémára kínál megoldást az Adaptive Memory Crystallization (AMC) nevű memóriastruktúra, amely a folyamatos megerősítéses tanulás során fokozatosan konszolidálja a tapasztalatokat — írja az ArXiv ML.
Az AMC koncepciója a szinaptikus címkézés és rögzítés (STC) elméletéből merít inspirációt, amely szerint az emlékek diszkrét stabilitási fázisokon mennek keresztül. A modell azonban nem állítja, hogy az alapul szolgáló molekuláris vagy szinaptikus mechanizmusokat modellezné.
A memória kristályosodásának folyamata
A rendszer az emléket folyamatos kristályosodási folyamatként kezeli, ahol a tapasztalatok egy többcélú hasznossági jel alapján vándorolnak a plasztikusból a stabil állapotokba. A keretrendszer egy háromfázisú memóriahierarchiát (Liquid–Glass–Crystal) vezet be, amelyet egy Itô sztochasztikus differenciálegyenlet (SDE) szabályoz. Ennek populációs szintű viselkedését egy explicit Fokker–Planck egyenlet írja le.
Tanulás és visszakeresés
Ez a megközelítés lehetővé teszi az AI-ügynökök számára, hogy hatékonyabban tárolják és visszakeressék a releváns információkat, elkerülve a redundáns felfedezést és gyorsítva a lekérdezéseket. A Databricks blogja szerint az ügynökök pontossága és hatékonysága is javul, ha képesek memorizálni a releváns sémákat és korábbi sikeres műveleteket, mint például a 2023-as tanulmányokban bemutatott eredményeknél.