اگر امروز مدیریت گردشکارهای پیچیده با هوش مصنوعی را بر عهده دارید، بزرگترین گلوگاه شما احتمالاً ناتوانی عاملها در بهخاطر سپردن اشتباهات قبلی است. پرپلکسیتی (Perplexity) با معرفی برین (Brain)، یک سامانه حافظه خودبهبوددهنده برای محصول کامپیوتر (Computer) خود، این مشکل را هدف گرفته است.
این سیستم برخلاف حافظههای سنتی که فقط برای ایجاد حس نزدیکی، ترجیحات شما را ذخیره میکنند، روی آنچه عامل واقعاً «انجام داده» تمرکز میکند. مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — در اینجا به ابزاری برای تبدیل تاریخچه کاری به یک ویکی داخلی تبدیل شده است. به گزارش وبسایت marktechpost در هفته جاری، Brain یک گراف زمینه (Context Graph) قابل ردیابی از کارهای عامل میسازد تا اصلاحات و اشتباهات پیشین تکرار نشوند.
همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، مدیریت دادههای ورودی کلید بهرهوری است. Brain در یک حلقه تکرارشونده عمل میکند و نشستها و تغییرات منابع را شبانه بازسازی میکند. طبق اعلام این شرکت، این تغییر معماری نتایج ملموسی داشته است:
- افزایش ۲۵ درصدی صحت پاسخها در وظایفی که پیشتر دیده شده بودند.
- رشد ۱۶ درصدی در نرخ بازیابی (Recall) اطلاعات.
- کاهش ۱۳ درصدی هزینههای عملیاتی برای وظایفی که نیاز به پیشزمینه تاریخی داشتند.
این پیشرفت به این دلیل رخ میدهد که عامل دیگر مجبور نیست یک زمینه خاص را دوبار یاد بگیرد. برای یک توسعهدهنده که در حال رفع باگ در چندین مخزن کد است، ابزار Computer اکنون بهخاطر میآورد کدام فایلها در جلسه قبلی حیاتی بودند و سریعتر به ریشه مشکل میرسد. برای دانشمندان داده نیز این یعنی بازرسی خط لوله (Pipeline) از روی نقشهای دقیق از منابع معتبر و اصلاحات گذشته آغاز میشود.
این رویکرد، مصرف توکن (Token) — تکههای کوچکی از متن، مثل برشهای یک کیک طولانی که مدل تکهتکه میخورد — را به یک سرمایهگذاری بلندمدت تبدیل میکند؛ یعنی خطاهای گرانقیمت امروز، به بهرهوری فردا تبدیل میشوند. با این حال، پیادهسازی حافظه در مدلها همواره با چالشهای کیفی همراه است؛ چنانکه برخی مطالعات نشان میدهند حافظهی بلندمدت در مدلهای زبانی میتواند منجر به افزایش چاپلوسی و کاهش دقت شود. پرپلکسیتی با انتقال حافظه از «پروفایل کاربر» به «گراف کاری»، با عامل هوش مصنوعی مانند یک کارمند حرفهای رفتار میکند که از شغلش یاد میگیرد، نه یک چتبات ساده که فقط رنگ موردعلاقه شما را میداند.
گام بعدی شما
- اگر مشترک نسخههای Perplexity Max یا Enterprise Max هستید، این قابلیت را در بخش Research Preview فعال کنید.
- گردشکارهای تکراری خود را تحلیل کنید تا ببینید کجا عاملها بیشترین خطای «فراموشی» را دارند.
- خروجیهای اصلاحشده توسط Brain را با نسخههای قدیمی مقایسه کنید تا نرخ کاهش خطا را بسنجید.
اما اثر این حافظه دائمی بر حریم خصوصی دادههای سازمانی هنوز ابعاد تاریکی دارد — به تحلیل ما دربارهی پروتکلهای مدیریت داده در مدلهای سازمانی مراجعه کنید.
گفتگو