La memoria degli agenti AI si riferisce alla capacità di un sistema di intelligenza artificiale (AI) di memorizzare e richiamare esperienze passate per migliorare il processo decisionale, la percezione e le prestazioni complessive.
A differenza dei modelli AI tradizionali che elaborano ogni compito in modo indipendente, gli agenti AI dotati di memoria sono in grado di memorizzare informazioni sul contesto, riconoscere schemi nel tempo e adattarsi in base alle interazioni passate. Questa funzionalità è essenziale per le applicazioni AI orientate agli obiettivi, in cui sono richiesti cicli di feedback, basi di conoscenza e apprendimento adattivo.
La memoria è un sistema che ricorda qualcosa delle interazioni precedenti. Gli agenti AI non hanno necessariamente bisogno di sistemi di memoria. Gli agenti con riflessi semplici, ad esempio, percepiscono informazioni in tempo reale sul loro ambiente e agiscono di conseguenza o trasmettono tali informazioni.
Un semplice termostato non ha bisogno di ricordare qual era la temperatura il giorno precedente. Ma un termostato "intelligente" più avanzato, dotato di memoria, può fare di più che regolare la temperatura, imparando schemi, adattandosi al comportamento dell'utente e ottimizzando l'efficienza energetica. Anziché limitarsi a reagire alla temperatura corrente, può memorizzare e analizzare i dati passati per prendere decisioni più intelligenti.
I modelli linguistici di grandi dimensioni (LLM) non sono in grado, da soli, di ricordare le cose. È necessario aggiungere il componente della memoria. Tuttavia, una delle maggiori sfide nella progettazione delle memorie AI è l'ottimizzazione dell'efficienza del recupero, poiché l'archiviazione di una quantità eccessiva di dati può portare a tempi di risposta più lenti.
Una gestione ottimizzata della memoria aiuta a garantire che i sistemi AI memorizzino solo le informazioni più rilevanti, mantenendo un'elaborazione a bassa latenza per le applicazioni in tempo reale.
Newsletter di settore
Ricevi insight selezionati sulle notizie più importanti e interessanti sull'AI. Iscriviti alla nostra newsletter settimanale Think. Leggi l'Informativa sulla privacy IBM.
L'abbonamento sarà fornito in lingua inglese. Troverai un link per annullare l'iscrizione in tutte le newsletter. Puoi gestire i tuoi abbonamenti o annullarli qui. Per ulteriori informazioni, consulta l'Informativa sulla privacy IBM.
I ricercatori classificano la memoria agentica più o meno nello stesso modo in cui gli psicologi classificano la memoria umana. L'influente articolo di Cognitive Architectures for Language Agents (CoALa)1 di un team dell'Università di Princeton descrive diversi tipi di memoria come:
La memoria a breve termine (STM) consente a un agente AI di ricordare gli input recenti per un processo-decisionale immediato. Questo tipo di memoria è utile nell'AI conversazionale, dove è necessario mantenere il contesto tra più scambi.
Ad esempio, un chatbot che ricorda i messaggi precedenti all'interno di una sessione può fornire risposte coerenti anziché trattare ogni input dell'utente in modo isolato, migliorando l'esperienza dell'utente. Ad esempio, ChatGPT di OpenAI conserva la cronologia delle chat in una singola sessione, contribuendo a garantire conversazioni più fluide e contestuali.
L'STM è in genere implementato utilizzando un rolling buffer o una finestra di contesto, che contiene una quantità limitata di dati recenti prima di essere sovrascritti. Sebbene questo approccio migliori la continuità nelle interazioni brevi, non conserva le informazioni oltre la sessione, rendendole inadatte alla personalizzazione o all'apprendimento a lungo termine.
La memoria a lungo termine (LTM) consente agli agenti AI di memorizzare e richiamare informazioni in diverse sessioni, rendendole più personalizzate e intelligenti nel tempo.
A differenza della memoria a breve termine, la LTM è progettata per memorizzare le informazioni in modo permanente e viene spesso implementata tramite database, knowledge graph o embedding vettoriali. Questo tipo di memoria è fondamentale per le applicazioni dell'AI che richiedono conoscenze storiche, come gli assistenti personalizzati e i sistemi di raccomandazione.
Ad esempio, un agente di assistenza clienti basato sull'AI può ricordare le interazioni precedenti con un utente e personalizzare le risposte di conseguenza, migliorando l'esperienza del cliente.
Una delle tecniche più efficaci per l'implementazione della LTM è la retrieval augmented generation (RAG), in cui l'agente recupera informazioni rilevanti da una base di conoscenza esistente per migliorare le sue risposte.
La memoria episodica consente agli agenti AI di ricordare specifiche esperienze passate, in modo simile a come gli umani ricordano i singoli eventi. Questo tipo di memoria è utile per il ragionamento basato sui casi, in cui un'AI impara dagli eventi passati per prendere decisioni migliori in futuro.
La memoria episodica viene spesso implementata mediante registrazione degli eventi chiave, delle azioni e dei relativi risultati in un formato strutturato a cui l'agente può accedere quando prende decisioni.
Ad esempio, un consulente finanziario basato sull'AI potrebbe ricordare le scelte di investimento passate di un utente e utilizzare queste informazioni per fornire consigli migliori. Questo tipo di memoria è essenziale anche nella robotica e nei sistemi autonomi, in cui un agente deve ricordare le azioni passate per funzionare in modo efficiente.
La memoria semantica è responsabile dell'archiviazione di conoscenze fattuali strutturate che un agente AI può recuperare e utilizzare per il ragionamento. A differenza della memoria episodica, che si occupa di eventi specifici, la memoria semantica contiene informazioni generalizzate come fatti, definizioni e regole.
Gli agenti AI in genere implementano la memoria semantica utilizzando basi di conoscenza, AI simbolica o embedding vettoriali, che consentono loro di elaborare e recuperare le informazioni pertinenti in modo efficiente. Questo tipo di memoria viene utilizzato in applicazioni reali che richiedono competenze legate a settori specifici, come gli assistenti legali AI, strumenti di diagnostica medica e i sistemi di gestione della conoscenza aziendale.
Ad esempio, un assistente legale AI può utilizzare la sua base di conoscenza per recuperare i casi precedenti e fornire una consulenza legale accurata.
La memoria procedurale negli agenti AI si riferisce alla capacità di memorizzare e richiamare competenze, regole e comportamenti appresi che consentono a un agente di eseguire attività automaticamente senza dover eseguire ogni volta un ragionamento esplicito.
Si ispira alla memoria procedurale umana, che consente alle persone di eseguire azioni come andare in bicicletta o digitare senza pensare consapevolmente a ogni passaggio. Nell'AI, la memoria procedurale aiuta gli agenti a migliorare l'efficienza automatizzando sequenze di azioni complesse basate su esperienze precedenti.
Gli agenti AI apprendono sequenze di azioni attraverso l'addestramento, spesso utilizzando l'apprendimento per rinforzo per ottimizzare le prestazioni nel tempo. Memorizzando le procedure relative alle attività, gli agenti AI possono ridurre i tempi di calcolo e rispondere più rapidamente a compiti specifici senza dover rielaborare i dati da zero.
Gli sviluppatori implementano la memoria utilizzando storage esterni, architetture specializzate e meccanismi di feedback. Poiché gli agenti AI possono avere diversi gradi di complessità, da agenti con riflessi semplici ad agenti di apprendimento avanzati, l'implementazione della memoria dipende dall'architettura dell'agente, dal caso d'uso e dall'adattabilità richiesta.
Un framework di agenti chiave per la creazione di agenti AI artificiale abilitati alla memoria è LangChain, che facilita l'integrazione di memoria, API e workflow di ragionamento. Combinando LangChain con database vettoriali, gli agenti AI possono memorizzare e recuperare in modo efficiente grandi volumi di interazioni passate, consentendo risposte più coerenti nel tempo.
LangGraph consente agli sviluppatori di creare grafici di memoria gerarchici per gli agenti AI, migliorando la loro capacità di tracciare le dipendenze e apprendere nel tempo.
Integrando database vettoriali, i sistemi di agenti possono memorizzare in modo efficiente gli embedding delle interazioni precedenti, consentendo il richiamo contestuale. Questo è utile per la generazione di documenti basata sull'AI, dove un agente deve ricordare le preferenze dell'utente e le modifiche precedenti.
L'avvento dei framework open source ha accelerato lo sviluppo di agenti AI potenziati dalla memoria. Piattaforme come GitHub ospitano numerosi repository che forniscono strumenti e modelli per integrare la memoria nei workflow AI.
Inoltre, Hugging Face offre modelli pre-addestrati che possono essere perfezionati con componenti di memoria per migliorare le capacità di recall dell'AI. Python, un linguaggio dominante nello sviluppo AI, fornisce librerie per la gestione dei meccanismi di orchestrazione, archiviazione e recupero della memoria, il che lo rende una scelta ovvia per l'implementazione dei sistemi di memoria AI.
1 "Cognitive Architectures for Language Agents", Princeton University, febbraio 2024.
Crea, implementa e gestisci assistenti e agenti AI potenti che automatizzano workflow e processi con l'AI generativa.
Costruisci il futuro della tua azienda con soluzioni AI di cui puoi fidarti.
I servizi di AI di IBM Consulting aiutano a reinventare il modo in cui le aziende lavorano con l'AI per la trasformazione.