การพัฒนาเฟรมเวิร์กหน่วยความจำเชิงตัวแทนใหม่ช่วยลดการใช้โทเคน

ในช่วงไม่กี่ปีที่ผ่านมา เทคโนโลยี AI ได้มีการพัฒนาอย่างรวดเร็ว แต่ยังมีข้อจำกัดที่สำคัญในการทำงานของเอเจนต์ AI โดยเฉพาะอย่างยิ่งในเรื่องของการจัดการหน่วยความจำและการเข้าถึงข้อมูลที่เกี่ยวข้อง ในการทำงานที่ต้องใช้การวิเคราะห์ระยะยาว หน่วยความจำของ AI มักจะเต็มอย่างรวดเร็ว ส่งผลให้ไม่สามารถจัดการกับข้อมูลได้อย่างมีประสิทธิภาพ นักวิจัยจากมหาวิทยาลัยแห่งชาติสิงคโปร์จึงได้พัฒนาเฟรมเวิร์กใหม่ที่ชื่อว่า MRAgent ซึ่งมีแนวทางการทำงานที่แตกต่างจากวิธีการแบบเดิมที่ใช้การดึงข้อมูลก่อนแล้วจึงค่อยทำการวิเคราะห์.

MRAgent ใช้กลไกที่ช่วยให้เอเจนต์สามารถพัฒนาหน่วยความจำได้อย่างต่อเนื่องตามหลักฐานที่สะสมขึ้นมา โดยการสร้างหน่วยความจำแบบหลายขั้นตอนนั้นได้ถูกบูรณาการเข้าไปในกระบวนการวิเคราะห์ของโมเดลภาษาใหญ่ (LLM) ซึ่งช่วยลดการใช้โทเคนและค่าใช้จ่ายในการทำงานได้อย่างมีนัยสำคัญเมื่อเปรียบเทียบกับวิธีการจัดการหน่วยความจำแบบอื่น ๆ ที่มีอยู่ในปัจจุบัน.

การทำงานของระบบดั้งเดิมที่ใช้การดึงข้อมูลมักจะมีข้อจำกัดหลายประการ เช่น ไม่สามารถปรับกลยุทธ์การดึงข้อมูลระหว่างการวิเคราะห์ได้ หากเอเจนต์ดึงข้อมูลเอกสารและพบว่าขาดข้อมูลสำคัญ เช่น วันที่หรือชื่อบุคคลเฉพาะ มันจะไม่สามารถส่งคำค้นใหม่ได้ตามความต้องการ นอกจากนี้ การใช้คะแนนความคล้ายคลึงที่กำหนดไว้ล่วงหน้าและการขยายกราฟที่ตายตัวจะส่งผลให้มีการจับคู่ข้อมูลที่ไม่เกี่ยวข้องมากมาย ซึ่งทำให้บริบทของ LLM ถูกปนเปื้อนไปด้วยข้อมูลที่ไม่จำเป็น ส่งผลกระทบต่อการวิเคราะห์.

นักวิจัยแนะนำว่าการที่จะเอาชนะข้อจำกัดเหล่านี้ นักพัฒนาควรเปลี่ยนไปสู่กระบวนการการสร้างใหม่ที่ “เชิงรุกและสัมพันธ์” ซึ่งได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์ทางปัญญา การสร้างหน่วยความจำในลักษณะนี้จะช่วยให้เอเจนต์สามารถเข้าถึงและปรับปรุงข้อมูลที่มีอยู่ได้อย่างมีประสิทธิภาพมากขึ้น ทำให้สามารถตอบสนองต่อความต้องการของผู้ใช้ที่มีความหลากหลายและไม่แน่นอนได้ดียิ่งขึ้น.

MRAgent ไม่เพียงแต่ช่วยลดการใช้โทเคนในการทำงาน แต่ยังช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูลในระยะยาว ซึ่งเป็นสิ่งที่จำเป็นสำหรับการพัฒนา AI ในอนาคต การเปลี่ยนแปลงนี้อาจทำให้ AI มีความสามารถในการทำงานที่ซับซ้อนยิ่งขึ้น โดยการจัดการกับข้อมูลที่มีความหลากหลายและไม่แน่นอนอย่างมีประสิทธิภาพ