MRAgent: ก้าวสู่กรอบความจำเชิงกิจกรรมที่ลดการใช้โทเคน

ในโลกของปัญญาประดิษฐ์ (AI) การประมวลผลข้อมูลและการจัดการความจำถือเป็นหัวใจสำคัญที่ช่วยให้เอเจนต์สามารถทำงานได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม ในการทำงานที่มีระยะยาว (long-horizon reasoning) พบว่ามีข้อจำกัดที่สำคัญในเอเจนต์ AI เนื่องจากหน้าต่างบริบท (context windows) จะเต็มเร็วมาก และกระบวนการดึงข้อมูล (retrieval pipelines) มักจะส่งคืนข้อมูลที่ไม่เกี่ยวข้องหรือเสียงรบกวนแทนที่จะเป็นสัญญาณที่ชัดเจน นักวิจัยจากมหาวิทยาลัยแห่งชาติสิงคโปร์จึงได้พัฒนา MRAgent ซึ่งเป็นกรอบความจำที่ทิ้งแนวทางแบบดั้งเดิมที่เรียกว่า “retrieve-then-reason” และเปลี่ยนไปใช้กลไกที่ช่วยให้เอเจนต์สามารถพัฒนาความจำได้ตามหลักฐานที่สะสมมา

MRAgent ใช้กระบวนการสร้างความจำแบบหลายขั้นตอนที่ผสานเข้ากับกระบวนการให้เหตุผลของโมเดลภาษาใหญ่ (LLM) ซึ่งทำให้ลดการใช้โทเคนและค่าใช้จ่ายในการทำงานเมื่อเปรียบเทียบกับวิธีการจัดการความจำเชิงกิจกรรมอื่นๆ ในปัจจุบัน เทคนิคการดึงข้อมูลแบบคลาสสิกมักจะใช้การค้นหาผ่านเวกเตอร์หรือการเดินกราฟเพื่อดึงเอกสารและส่งต่อให้กับ LLM สำหรับการให้เหตุผล แต่แนวทางนี้มีข้อบกพร่องที่สำคัญ เนื่องจากไม่สามารถรวมการให้เหตุผลกับการเข้าถึงความจำได้อย่างมีประสิทธิภาพ

ข้อจำกัดที่สำคัญของระบบเหล่านี้คือไม่สามารถปรับกลยุทธ์การดึงข้อมูลได้ในระหว่างการให้เหตุผล หากเอเจนต์ดึงเอกสารและพบว่าขาดข้อมูลสำคัญ เช่น วันที่หรือชื่อบุคคลที่เฉพาะเจาะจง มันจะไม่มีวิธีการในการส่งคำถามใหม่ตามการค้นพบนี้ นอกจากนี้ คะแนนความคล้ายคลึงที่กำหนดไว้ล่วงหน้าและการขยายกราฟที่ตายตัวจะส่งคืนการจับคู่ที่อยู่ในระดับผิวเผิน ซึ่งทำให้หน้าต่างบริบทของ LLM เต็มไปด้วยเสียงรบกวนที่ไม่เกี่ยวข้อง ส่งผลให้การให้เหตุผลด้อยประสิทธิภาพ

นักวิจัยเสนอว่าเพื่อที่จะเอาชนะข้อจำกัดเหล่านี้ นักพัฒนาควรเปลี่ยนไปสู่กระบวนการ “การสร้างที่กระตือรือร้นและเชื่อมโยง” ซึ่งได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์ (cognitive neuroscience) แนวทางนี้จะช่วยให้เอเจนต์สามารถปรับตัวและปรับปรุงการเข้าถึงความจำได้อย่างมีพลศาสตร์ ทำให้สามารถตอบสนองต่อคำถามและสถานการณ์ที่ไม่คาดคิดได้ดีขึ้น MRAgent จึงเป็นก้าวสำคัญในการพัฒนา AI ที่สามารถทำงานได้อย่างมีประสิทธิภาพมากขึ้นในสถานการณ์ที่ซับซ้อนและมีระยะยาว

การพัฒนานี้ไม่เพียงแต่ช่วยลดการใช้โทเคน แต่ยังช่วยเพิ่มประสิทธิภาพในการให้เหตุผลของโมเดลภาษาใหญ่ ซึ่งอาจมีผลกระทบที่สำคัญต่อการพัฒนา AI ในอนาคต โดยเฉพาะอย่างยิ่งในด้านการประมวลผลข้อมูลที่ซับซ้อนและการจัดการความรู้ที่มีความหลากหลาย