ai-agents-for-beginners
AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ
AI ಏಜೆಂಟ್ಗಳನ್ನು ರಚಿಸುವ ವಿಶಿಷ್ಟ ಪ್ರಯೋಜನಗಳನ್ನು ಚರ್ಚಿಸುವಾಗ, ಮುಖ್ಯವಾಗಿ ಎರಡು ವಿಷಯಗಳು ಚರ್ಚೆಯಾಗುತ್ತವೆ: ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಟೂಲ್ಗಳನ್ನು ಕರೆಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕಾಲಕಾಲಕ್ಕೆ ಸುಧಾರಿಸಲು ಸಾಮರ್ಥ್ಯ. ನಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ ಅನುಭವಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಸ್ವಯಂ-ಸುಧಾರಣಾ ಏಜೆಂಟ್ ರಚನೆಯ ಮೂಲದಲ್ಲಿ ಮೆಮೊರಿ ಇದೆ.
ಈ ಪಾಠದಲ್ಲಿ, AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಎಂದರೇನು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಿ ನಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಪ್ರಯೋಜನವಾಗಿ ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ನೋಡಲಿದ್ದೇವೆ.
ಪರಿಚಯ
ಈ ಪಾಠವು ಒಳಗೊಂಡಿದೆ:
• AI ಏಜೆಂಟ್ ಮೆಮೊರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು: ಮೆಮೊರಿ ಎಂದರೆ ಏನು ಮತ್ತು ಏಜೆಂಟ್ಗಳಿಗೆ ಇವು 왜 ಮುಖ್ಯವೋ.
• ಮೆಮೊರಿ ಜಾರಿಗೆ ಮತ್ತು ಸಂಗ್ರಹಣೆ: ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿಯನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ನಿಮ್ಮ AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಪ್ರಯೋಗಾತ್ಮಕ ವಿಧಾನಗಳು.
• AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವಯಂ-ಸುಧಾರಣೀಯವಾಗಿಸುವುದು: ಮೆಮೊರಿ ಏಜೆಂಟ್ಗಳಿಗೆ ಹಳೆಯ ಸಂಭಾಷಣೆಗಳಿಂದ ಕಲಿಯಲು ಮತ್ತು ಕಾಲಕಾಲಕ್ಕೆ ಸುಧಾರಿಸಲು ಹೇಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆಯೆಂದು.
ಲಭ್ಯವಿರುವ ಅನುಷ್ಠಾನಗಳು
ಈ ಪಾಠದಲ್ಲಿ ಎರಡು ವ್ಯಾಪಕ ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ಗಳಿವೆ:
• 13-agent-memory.ipynb: Mem0 ಮತ್ತು Azure AI Search ಅನ್ನು Microsoft Agent Framework ಹೊಂದಿಸಿ ಮೆಮೊರಿ ಜಾರಿಗೆ ಮಾಡುತ್ತದೆ
• 13-agent-memory-cognee.ipynb: Cognee ಬಳಸಿ ಸಂರಚಿತ ಮೆಮೊರಿಯನ್ನು ಜಾರಿಗೆ ಮಾಡುತ್ತದೆ, embeddings ಮೂಲಕ ಅದರಲ್ಲಿನ ಜ್ಞಾನ ಗ್ರಾಫ್ನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ಮಿಸುತ್ತದೆ, ಗ್ರಾಫ್ ವೀಕ್ಷಣೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬುದ್ಧಿವಂತ retrieval ಅನ್ನು ಒದಗಿಸುತ್ತದೆ
ಕಲಿಕೆ ಗುರಿಗಳು
ಈ ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ನೀವು ಹೇಗೆಂದು ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ:
• ವಿವಿಧ ರೀತಿಯ AI ಏಜೆಂಟ್ ಮೆಮೊರಿಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಕಾರಣಮಾಡುವುದು, ಕೆಲಸದ ಮೆಮೊರಿ, ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಸೇರಿದಂತೆ, ಹಾಗೂ ವ್ಯಕ್ತಿತ್ವ ಮತ್ತು ಘಟನಾಂಗ ಮೆಮೊರಿ ಮುಂತಾದ ವಿಶೇಷ ರೀತಿಗಳೂ.
• Microsoft Agent Framework ಬಳಸಿ AI ಏಜೆಂಟ್ಗಳಿಗೆ ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಜಾರಿಗೆ ಮತ್ತು ನಿರ್ವಹಣೆ ಮಾಡಲು Mem0, Cognee, Whiteboard memory ಮುಂತಾದ ಟೂಲ್ಗಳನ್ನು ಉಪಯೋಗಿಸುವುದು ಮತ್ತು Azure AI Search ಅನ್ನು ಇಂಟಿಗ್ರೇಟ್ ಮಾಡುವುದು.
• ಸ್ವಯಂ-ಸುಧಾರಣೀಯ AI ಏಜೆಂಟ್ಗಳ ಹಿಂದಿನ ತತ್ವಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಬಲವಾದ ಮೆಮೊರಿ ನಿರ್ವಹಣೆ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರ ಕಲಿಕೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಗೆ ಹೇಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದನ್ನು.
AI ಏಜೆಂಟ್ ಮೆಮೊರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
ಮೂಲಭೂತವಾಗಿ, AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ ಮೆಮೊರಿ ಎಂದರೆ ಅವರನ್ನು ಮಾಹಿತಿ ಹಿಡಿಯಲು ಮತ್ತು ಪುನರಾವರ್ತಿಸಲು ಅನುಮತಿಸುವ ಯಂತ್ರಣೆಗಳು. ಈ ಮಾಹಿತಿ ಸಂಭಾಷಣೆಯ ವಿಶೇಷ ವಿವರಗಳು, ಬಳಕೆದಾರರ Präفرنسುಗಳು, ಹಳೆಯ ಕ್ರಿಯೆಗಳು ಅಥವಾ ಕಲಿತ ಮಾದರಿಗಳು ಆಗಿರಬಹುದು.
ಮೆಮೊರಿ ಇಲ್ಲದೆ, AI ಅಪ್ಲಿಕೇಶನ್ಗಳು ಬಹುಶಃ ಸ್ಟೇಟ್ಲೆಸ್ ಆಗಿರುತ್ತವೆ, ಅಂದರೆ ಪ್ರತಿ ಸಂವಹನವು ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಇದರಿಂದ ಏಜೆಂಟ್ ಹಿಂದಿನ ಸಾಂದರ್ಭಿಕತೆ ಅಥವಾ Präفرنسುಗಳನ್ನು “ಮರೆತು”ಹೋಗುವಂತಹ ಪುನರಾವರ್ತನೆಯ ಮತ್ತು ಹಿಡಿತದಾಯಕ ಬಳಕೆದಾರ ಅನುಭವ ಉಂಟಾಗುತ್ತದೆ.
ಮೆಮೊರಿ ಏಕೆ ಮುಖ್ಯ?
ಏಜೆಂಟ್ನ ಬುದ್ಧಿವಂತಿಕೆ ಅದರ ಹಿಂದಿನ ಮಾಹಿತಿಯನ್ನು ನೆನಪು ಮಾಡಿ ಉಪಯೋಗಿಸುವ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಜೋಡಣೆ ಹೊಂದಿರುತ್ತದೆ. ಮೆಮೊರಿ ಏಜೆಂಟ್ಗಳನ್ನು ಸಲ್ಲಿಸುತ್ತದೆ:
• ಅನುಭವದಿಂದ ಕಲಿಯುವಂತೆ: ಹಳೆ ಕ್ರಿಯೆಗಳಿಂದ ಮತ್ತು ಪರಿಣಾಮಗಳಿಂದ ಕಲಿಕೆ.
• ಸಂದರ್ಭ ಕಾಯ್ದುಕೊಳ್ಳುವಂತೆ: მიმდინარე ಸಂಭಾಷಣೆಯಾದ್ಯಂತ ಸಂದರ್ಭವನ್ನು պահպանಿಸುವುದು.
• ಪ್ರಾಕ್ಟಿವ್ ಮತ್ತು ರಿಯಾಕ್ಟಿವ್: ಇತಿಹಾಸಾತ್ಮಕ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಅಗತ್ಯಗಳನ್ನು ಊಹಿಸುವುದು ಅಥವಾ ಸೂಕ್ತವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು.
• ಸ್ವಾಯತ್ತ: ಸಂಗ್ರಹಿಸಲಾದ ಜ್ಞಾನವನ್ನು ಆಧರಿಸಿ ಸ್ವತಃ ಹೆಚ್ಚು ಸ್ವಾತಂತ್ರ್ಯದಿಂದ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು.
ಮೆಮೊರಿ ಜಾರಿಗೆ ಉದ್ದೇಶ ಏಜೆಂಟ್ಗಳನ್ನು ಹೆಚ್ಚು ನಂಬಿಕೆಯಾಗುವ ಮತ್ತು ಸಮರ್ಥವಾಗಿಸಲು ಆಗುತ್ತದೆ.
ಮೆಮೊರಿಯ ವಿಧಗಳು
ಕೆಲಸದ ಮೆಮೊರಿ
ಇದೆಂದರೆ ಏಜೆಂಟ್ ಒಂದು ಏಕೇ ಕಾರಣೋದ್ಯಮ ಅಥವಾ ಮುಂದುವರಿದ ಕಾರ್ಯ ಅಥವಾ ಚಿಂತನಾ ಪ್ರಕ್ರಿಯೆಯ ಸಮಯದಲ್ಲಿ ಬಳಸುವ ತಾತ್ಕಾಲಿಕ ಟೌಲಿನಂತಹದು. ಇದು ಮುಂದಿನ ಹೆಜ್ಜೆಯನ್ನು ಲೆಕ್ಕಿಸಲು ಅಗತ್ಯವಿರುವ ತಕ್ಷಣದ ಮಾಹಿತಿಯನ್ನು ಹಿಡಿಯುತ್ತದೆ.
AI ಏಜೆಂಟ್ಗಳ ದೃಷ್ಟಿಕೋನದಿಂದ, ಕೆಲಸದ ಮೆಮೊರಿ ಬಹುಶಃ ಸಂಭಾಷಣೆಯಿಂದ ಅತ್ಯಂತ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಕ್ಯಾಪ್ಚರ್ ಮಾಡುತ್ತದೆ, ಭರವಸೆಯಂತೆ ಸಂಪೂರ್ಣ ಚಾಟ್ ಇತಿಹಾಸ ದೀರ್ಘ ಅಥವಾ ತುಂಡುಗೊಂಡಿದ್ದರೂ ಸಹ. ಇದು ಅಗತ್ಯಗಳ, ಪ್ರಸ್ತಾವನೆಗಳ, ನಿರ್ಧಾರಗಳ ಮತ್ತು ಕ್ರಮಗಳಂತಹ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಎತ್ತಿಸಿಕೊಳ್ಳುವುದರಲ್ಲಿ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.
ಕೆಲಸದ ಮೆಮೊರಿ ಉದಾಹರಣೆ
ಪ್ರವಾಸ ಬುಕ್ಕಿಂಗ್ ಏಜೆಂಟ್ನಲ್ಲಿ, ಕೆಲಸದ ಮೆಮೊರಿ ಬಳಕೆದಾರನ ಪ್ರಸ್ತುತ ವಿನಂತಿಯನ್ನು ಹಿಡಿಯಬಹುದು, ಉದಾಹರಣೆಗೆ “ನಾನು ಪ್ಯಾರಿಸ್ಗೆ ಯಾತ್ರೆ ಬುಕ್ ಮಾಡಬೇಕು”. ಈ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯವು ಪ್ರಸ್ತುತ ಸಂವಹನವನ್ನು ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ಏಜೆಂಟ್ನ ತಕ್ಷಣದ ಸಾಂದರ್ಭಿಕತೆಯಲ್ಲಿ ಹಿಡಿದಿರುತ್ತದೆ.
ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿ
ಈ ರೀತಿಯ ಮೆಮೊರಿ ಒಬ್ಬ ಸಂಭಾಷಣೆ ಅಥವಾ ಸೆಶನ್ ಅವಧಿಗೆ ಮಾಹಿತಿಯನ್ನು ಕಾಯ್ದಿರುತ್ತದೆ. ಇದು ಪ್ರಸ್ತುತ ಚಾಟ್ನ ಸಾಂದರ್ಭಿಕತೆ, ಏಜೆಂಟ್ಗೆ ಸಂವದುವರದ ಹಿಂದಿನ ಟರ್ನ್ಗಳನ್ನು ಉಲ್ಲೇಖಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.
ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿ ಉದಾಹರಣೆ
ಬಳಕೆದಾರನು “ಪ್ಯಾರಿಸ್ಗೆ ವಿಮಾನಕ್ಕಾಗಿ ಶುಲ್ಕ ಎಷ್ಟು?” ಎಂದು ಕೇಳಿದರೆ ಮತ್ತು ನಂತರ “ಅಲ್ಲಿ ವಾಸಸ್ಥಳ ಹೇಗಿದೆ?” ಎಂದು ಅನುಸರಿಸಿದರೆ, ಶಾರ್ಟ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಆ ಸಂಭಾಷಣೆಯಲ್ಲೇ “ಅಲ್ಲಿ”ಯು “ಪ್ಯಾರಿಸ್” ಅನ್ನು ಉದ್ದೇಶಿಸುತ್ತದೆ ಎಂದು ಏಜೆಂಟ್ ತಿಳಿದುಕೊಳ್ಳುತ್ತದೆ.
ಲಾಂಗ್ ಟರ್ಮ್ ಮೆಮೊರಿ
ಇದು ಅನೇಕ ಸಂಭಾಷಣೆಗಳು ಅಥವಾ ಸೆಶನ್ಗಳಲ್ಲಿ ದೀರ್ಘಕಾಲಕ್ಕೆ ಉಳಿಯುವ ಮಾಹಿತಿ. ಇದು ಏಜೆಂಟ್ಗಳಿಗೆ ಬಳಕೆದಾರರ Präférenceಗಳು, ಇತಿಹಾಸಾತ್ಮಕ ಸಂವಹನೆಗಳು ಅಥವಾ ದೀರ್ಘಕಾಲದ ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು ನೆನಪಿನಲ್ಲಿ ಇಟ್ಟುಕೊಳ್ಳಲು ಅನುಮತಿಸುತ್ತದೆ. ವೈಯಕ್ತೀಕರಣೆಗಾಗಿ ಇದು ಪ್ರಮುಖ.
ಲಾಂಗ್ ಟರ್ಮ್ ಮೆಮೊರಿ ಉದಾಹರಣೆ
ಒಂದು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ “Ben ಸ್ಕೀಯಿಂಗ್ ಮತ್ತು ಔಟ್ಡೋರ್ ಚಟುವಟಿಕೆಗಳನ್ನು ಆನಂದಿಸುತ್ತಾನೆ, ಪರ್ವತದ ದೃಶ್ಯವಿರುವ ಕಾಫಿಯನ್ನು ಇಷ್ಟಪಡುತ್ತಾನೆ, ಮತ್ತು ಹಿಂದಿನ ಗಾಯದ ಕಾರಣದಿಂದ ಮೇಲ್ನಿರತ ಸ್ಕೀ ಸೆಲೆಗಳನ್ನು ತಪ್ಪಿಸಲು ಬಯಸುತ್ತಾನೆ” ಎಂದು ಸಂಗ್ರಹಿಸಬಹುದು. ಈ ಮಾಹಿತಿ ಹಿಂದಿನ ಸಂವಹನಗಳಿಂದ ಕಲಿತದ್ದು, ಭವಿಷ್ಯ ಪ್ರವಾಸ ಯೋಜನಾ ಸೆಷನ್ಗಳಲ್ಲಿ ಶಿಫಾರಸುಗಳನ್ನು ಹೆಚ್ಚು ವೈಯಕ್ತಿಕಗೊಳಿಸುತ್ತದೆ.
ವ್ಯಕ್ತಿತ್ವ ಮೆಮೊರಿ
ಈ ವಿಶೇಷ ಮೆಮೊರಿ ಪ್ರಕಾರ ಏಜೆಂಟ್ವು ಸಮಾಧಾನಕರ “ವ್ಯಕ್ತಿತ್ವ” ಅಥವಾ “ಪರ್ಸೋನಾ” ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಏಜೆಂಟ್ ತನ್ನ ಬಗ್ಗೆ ಅಥವಾ ಅದರ ನಿರ್ದಿಷ್ಟ ಪಾತ್ರದ ಕುರಿತು ವಿವರಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಅನುಮತಿಸುತ್ತದೆ, ಇದರಿಂದ ಸಂವಹನಗಳು ಹೆಚ್ಚು ಸريس್ಪಶ್ಠ ಮತ್ತು ಕೇಂದ್ರೀಕೃತವಾಗುತ್ತವೆ.
ವ್ಯಕ್ತಿತ್ವ ಮೆಮೊರಿ ಉದಾಹರಣೆ ಪ್ರವಾಸ ಏಜೆಂಟ್ “ನಿಪುಣ ಸ್ಕೀ ಯೋಜಕ” ಆಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲ್ಪಟ್ಟಿದ್ದರೆ, ವ್ಯಕ್ತಿತ್ವ ಮೆಮೊರಿ ಈ ಪಾತ್ರವನ್ನು ಬಲಪಡಿಸಬಹುದು, ಇದರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಪುಣರ ಸ್ವರ ಮತ್ತು ಜ್ಞಾನಕ್ಕೆ ಹೊಂದಿಸಬಹುದು.
ವರ್ಕ್ಫ್ಲೋ/ಘಟನಾಂಗ ಮೆಮೊರಿ
ಈ ಮೆಮೊರಿ ಜಟಿಲ ಕಾರ್ಯದಾದ್ಯಂತ ಏಜೆಂಟ್ ತೆಗೆದುಕೊಂಡ ಕ್ರಮಗಳ ಕ್ರಮಾವಳಿಯನ್ನು, ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲತೆಯನ್ನು ಸೇರಿಸಿ, ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಇದು ವಿಶೇಷ “ಘಟನಾಗಳು” ಅಥವಾ ಹಳೆಯ ಅನುಭವಗಳನ್ನು ನೆನಸಿರುವಂತಿದೆ ಮತ್ತು ಅವೆಯಿಂದ ಕಲಿಯುವುದಕ್ಕೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಘಟನಾಂಗ ಮೆಮೊರಿ ಉದಾಹರಣೆ
ಏಜೆಂಟ್ ನಿರ್ದಿಷ್ಟ ವಿಮಾನವನ್ನು ಬುಕ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದಾಗ ಅದನ್ನು ಲಭ್ಯವಿಲ್ಲದ ಕಾರಣ ವಿಫಲವಾಯಿತು ಎನ್ನಿಸಿಕೊಳ್ಳಿ, ಘಟನಾಂಗ ಮೆಮೊರಿ ಈ ವಿಫಲತೆಯನ್ನು ದಾಖಲಿಸಬಹುದು, ಮುಂದಿನ ಪ್ರಯತ್ನದಲ್ಲಿ ಏಜೆಂಟ್ ಬದಲಿ ವಿಮಾನಗಳನ್ನು ಪ್ರಯತ್ನಿಸಲು ಅಥವಾ ಬಳಕೆದಾರನಿಗೆ ಈ ಸಮಸ್ಯೆಯನ್ನು ಹೆಚ್ಚು ಜ್ಞಾನಭರಿತವಾಗಿ ತಿಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಎಂಟಿಟಿ ಮೆಮೊರಿ
ಇದು ಸಂಭಾಷಣೆಗಳಿಂದ ವಿಶೇಷ ಎಂಟಿಟಿಗಳನ್ನು (ಜನರು, ಸ್ಥಳಗಳು ಅಥವಾ ವಸ್ತುಗಳು) ಮತ್ತು ಘಟನೆಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ನೆನಪಿನಲ್ಲಿ ಇಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದು ಏಜೆಂಟ್ಗೆ ಚರ್ಚಿಸಿದ ಪ್ರಮುಖ ಅಂಶಗಳ ಸಂರಚಿತ ಅರ್ಥವನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಎಂಟಿಟಿ ಮೆಮೊರಿ ಉದಾಹರಣೆ
ಹಳೆಯ ಯಾತ್ರೆಯ ಬಗ್ಗೆ ನಡೆದ ಸಂಭಾಷಣೆಯಿಂದ, ಏಜೆಂಟ್ “Paris”, “Eiffel Tower” ಮತ್ತು “Le Chat Noir ರೆಸ್ಟೋರೆಂಟ್ನಲ್ಲಿ ಡಿನ್ನರ್” ಅನ್ನು ಎಂಟಿಟಿಗಳಾಗಿ ಹೊರತೆಗೆಯಬಹುದು. ಭವಿಷ್ಯ ಸಂವಹನದಲ್ಲಿ, ಏಜೆಂಟ್ “Le Chat Noir” ಅನ್ನು ನೆನಪು ಮಾಡಿ ನೂತನ رزರ್ವೇಶನ್ ಮಾಡಲು ಸಲಹೆ ನೀಡಬಹುದು.
ಸಂರಚಿತ RAG (ಪ್ರಶ್ನೋತ್ತರವರ್ಧಿತ ಮರೆಯು/ಗ್ರಹಣ)
RAG ಒಂದು ವಿಶಾಲ ತಂತ್ರವಾಗಿದೆ, ಆದರೆ “ಸಂರಚಿತ RAG” ಅನ್ನು ಶಕ್ತಿಮಯ ಮೆಮೊರಿ ತಂತ್ರಜ್ಞಾನವಾಗಿ ವಿಶೇಷವಾಗಿ ಒತ್ತಿಡಲಾಗಿದೆ. ಇದು ವಿವಿಧ ಮೂಲಗಳಿಂದ (ಸಂಭಾಷಣೆಗಳು, ಇಮೇಲ್ಗಳು, ಚಿತ್ರಗಳು) ಸಾಂದರ್ಭಿಕ, ಸಂರಚಿತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆದು ಅದನ್ನು ಸ್ಪಷ್ಟತೆ, ಸ್ಮರಣೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ವೇಗವನ್ನು ಹೆಚ್ಚಿಸಲು ಬಳಸುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ RAG ನಿಯತವಾಗಿ_semantic similarity_ಮಾತ್ರವಲ್ಲದೆ, ಸಂರಚಿತ RAG ಮಾಹಿತಿ ಒಳಗಿನ ರಚನೆಯನ್ನು ಬಳಸುತ್ತದೆ.
ಸಂರಚಿತ RAG ಉದಾಹರಣೆ
ಕೆವಲ ಕೀವರ್ಡ್ಗಳನ್ನು ಮ್ಯಾಚ್ ಮಾಡುವ ಬದಲು, ಸಂರಚಿತ RAG ಇಮೇಲ್ನಿಂದ ವಿಮಾನ ವಿವರಗಳನ್ನು (ಗಮ್ಯಸ್ಥಳ, ದಿನಾಂಕ, ಸಮಯ, ಏರ್ಲೈನ್) ಪಾರ್ಸ್ ಮಾಡಿ ಅವುಗಳನ್ನು ಸಂರಚಿತ ರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸಬಹುದು. ಇದರಿಂದ “ನಾನು ಮಂಗಳವಾರ ಪ್ಯಾರಿಸ್ಗೆ ಯಾವ ವಿಮಾನ ಬುಕ್ ಮಾಡಿದ್ದೆ?” ಎಂಬ ನಿರ್ದಿಷ್ಟ ವಿನಂತಿಗೆ ಸರಿಹೊಂದುತ್ತಾದ ಉತ್ತರಗಳನ್ನು ನೀಡಬಹುದು.
ಮೆಮೊರಿ ಜಾರಿಗೆ ಮತ್ತು ಸಂಗ್ರಹಣೆ
AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಜಾರಿಗೆ ಮಾಡುತ್ತಿರುವುದು ವ್ಯವಸ್ಥಿತ ಪ್ರಕ್ರಿಯೆಯಾದ ಮೆಮೊರಿ ನಿರ್ವಹಣೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದರಲ್ಲಿ ಉತ್ಪಾದನೆ, ಸಂಗ್ರಹಣೆ, ಪುನರಾವರ್ತನೆ, ಸಂಯೋಜನೆ, ಅಪ್ಡೇಟ್ ಮತ್ತು ಸರಿಯಾಗಿದೆ ಎಂದರೆ “ಮರೆತುವುದು” (ಅಥವಾ ಅಳಿಸುವುದು) ಕೂಡ ಸೇರಿಕೊಂಡಿರುತ್ತದೆ. ಪುನರಾವರ್ತನೆ ಬಹುಮುಖ್ಯ ಅಂಶವಾಗಿದೆ.
ವಿಶೇಷ ಮೆಮೊರಿ ಟೂಲ್ಗಳು
Mem0
ಏಜೆಂಟ್ ಮೆಮೊರಿಯನ್ನು ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ನಿರ್ವಹಿಸುವ ಒಂದು ಮಾರ್ಗವೆಂದರೆ Mem0 వంటి ವಿಶೇಷ ಟೂಲ್ಗಳನ್ನು ಉಪಯೋಗಿಸುವುದು. Mem0 ಧನವಂತರ ಮೆಮೊರಿ ಲೇಯರ್ ಆಗಿ ಕೆಲಸಮಾಡುತ್ತದೆ, ಏಜೆಂಟ್ಗಳು ಸಂಬಂಧಿತ ಸಂವಹನಗಳನ್ನು ಪುನರ್ಸ್ಮರಿಸುವಂತೆ, ಬಳಕೆದಾರ Präferenzುಗಳು ಮತ್ತು ವ್ಯತ್ಯಾಸಾತ್ಮಕ ಸಾಂದರ್ಭಿಕತೆಯನ್ನು ಸಂಗ್ರಹಿಸಲು, ಮತ್ತು ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲತೆಯಿಂದ ಕಲಿಯಲು ಅನುಮತಿಸುತ್ತದೆ. ಇಲ್ಲಿ ಆಲೋಚನೆ ಎಂದರೆ ಸ್ಟೇಟ್ಲೆಸ್ ಏಜೆಂಟ್ಗಳು ಸ್ಟೇಟ್ಫುಲ್ ಆಗಿಯೇ ಪರಿವರ್ತಿಸಬಹುದು.
ಇದು ಎರಡು-ಹಂತ ಮೆಮೊರಿ ಪೈಪ್ಲೈನ್: ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಅಪ್ಡೇಟ್ ಮೂಲಕ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಮೊದಲು, ಏಜೆಂಟಿನ ಥ್ರೆಡ್ಗೆ ಸೇರಿಸಲಾಗುವ ಸಂದೇಶಗಳನ್ನು Mem0 ಸೇವೆಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ, ಅದು ಒಂದು Large Language Model (LLM) ಬಳಸಿಕೊಂಡು ಸಂಭಾಷಣಾ ಇತಿಹಾಸವನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ ಹೊಸ ಮೆಮೊರಿಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ. ನಂತರ, LLM ಚಾಲಿತ ಅಪ್ಡೇಟ್ ಹಂತವು ಈ ಮೆಮೊರಿಗಳನ್ನು ಸೇರಿಸಬೇಕೇ, ತಿದ್ದುಪಡಿಸಬೇಕೇ ಅಥವಾ ಅಳಿಸಬೇಕೇ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ, ಅವುಗಳನ್ನು ವೆಕ್ಟರ್, ಗ್ರಾಫ್ ಮತ್ತು ಕೀ-ವ್ಯಾಲ್ಯೂ ಡೇಟಾಬೇಸ್ಗಳನ್ನೊಳಗೊಂಡ ಹೈಬ್ರಿಡ್ ಡೇಟಾ ಸ್ಟೋರ್ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆ ವಿವಿಧ ಮೆಮೊರಿ ಪ್ರಕಾರಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ಎಂಟಿಟಿಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಗ್ರಾಫ್ ಮೆಮೊರಿಯನ್ನು ಸೇರಿಸಬಹುದು.
Cognee
ಮತ್ತೊಂದು ಶಕ್ತಿಶಾಲಿ ವಿಧಾನವೆಂದರೆ Cognee ಬಳಕೆಮಾಡುವುದು, ಇದು open-source ಸಮಾಂತತ್ಮಕ ಮೆಮೊರಿ ವ್ಯವಸ್ಥೆಯಾಗಿದ್ದು ಸಂರಚಿತ ಮತ್ತು ಅಸಂರಚಿತ 데이터를 embeddings ಬ್ಯಾಕ್ಡ ಮಾಡಿ ಪ್ರಶ್ನ್ಯಾರ್ಥಕ ಜ್ಞಾನ ಗ್ರಾಫ್ಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. Cognee ಡುಯಲ್-ಸ್ಟೋರ್ ವಾಸ್ತವವೈಶಿಷ್ಟ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಅದು ವೆಕ್ಟರ್ ಸಮಾನತೆಯ ಹುಡುಕಾಟವನ್ನು ಮತ್ತು ಗ್ರಾಫ್ ಸಂಬಂಧಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಏಜೆಂಟ್ಗಳಿಗೆ ಯಾವುದೇ ಮಾಹಿತಿ ಒಂದೇ ರೀತಿಯಲ್ಲಿಯೇ ಹೋಲಿಕೆ ಮಾಡುವುದಲ್ಲದೆ, ಸಂಪ್ರದಾಯಗಳಿಗಿಂತ ಅದು ಹೇಗೆ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಮಾಡುತ್ತದೆ.
ಇದು ಹೈಬ್ರಿಡ್ ರಿಟ್ರೈವಲ್ ನಲ್ಲಿ ನಿಪುಣವಾಗಿದೆ, ಇದು ವೆಕ್ಟರ್ ಸಮಾನತೆ, ಗ್ರಾಫ್ ರಚನೆ ಮತ್ತು LLM ಹಿರಿತನೆಯನ್ನು ಮಿಶ್ರಗೊಳಿಸುತ್ತದೆ - ಕಚ್ಚಾ ಚಂಕ್ ಲುಕ್ಅಪ್ನಿಂದ ಗ್ರಾಫ್-ಜ್ಞಾನಾರಂಭಿತ ಪ್ರಶ್ನೋತ್ತರವರೆಗೆ. ಈ ವ್ಯವಸ್ಥೆ ಬೆಳೆಯುವ ಮತ್ತು ಬೆಳೆದಂತೆವೂ ಇರುವ ಜೀವಂತ ಮೆಮೊರಿ ಅನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅದು ಒಂದೇ ಸಂಪರ್ಕಿತ ಗ್ರಾಫ್ ಆಗಿ ಪ್ರಶ್ನ್ಯಾರ್ಹವಾಗಿರುತ್ತದೆ, ಶಾರ್ಟ್-ಟರ್ಮ್ ಸೆಷನ್ ಸಾಂದರ್ಭಿಕತೆ ಮತ್ತು ದೀರ್ಘಕಾಲಿಕ ಸ್ಥಿರ ಮೆಮೊರಿಯನ್ನು ಎರಡೂ ಬೆಂಬಲಿಸುತ್ತದೆ.
Cognee ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ (13-agent-memory-cognee.ipynb) ಈ ಏಕೀಕೃತ ಮೆಮೊರಿ ಲೇಯರ್ ನಿರ್ಮಿಸುವುದನ್ನು ತೋರಿಸುತ್ತದೆ, ವಿಭಿನ್ನ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಇಂಗೆಸ್ಟ್ ಮಾಡುವ ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆಗಳು, ಜ್ಞಾನ ಗ್ರಾಫ್ ವೀಕ್ಷಣೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಏಜೆಂಟ್ ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ವಿಭಿನ್ನ ಹುಡುಕಾಟ ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಪ್ರಶ್ನೆ ಮಾಡುವುದನ್ನು ಇರುತ್ತದೆ.
RAG ಬಳಸಿ ಮೆಮೊರಿ ಸಂಗ್ರಹಣೆ
specialized memory tools like mem0 , ಹೊರತುಪಡಿಸಿ, ನೀವು ಬಲವಾದ ಹುಡುಕಾಟ ಸೇವೆಗಳನ್ನು ಬಳಸಬಹುದು, ಉದಾಹರಣೆಗೆ Azure AI Search ಅನ್ನು ಬ್ಯಾಕೆಂಡ್ ಆಗಿ ಮೆಮೊರನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಪುನರುದ್ದೇಶಿಸಲು, ವಿಶೇಷವಾಗಿ ಸಂರಚಿತ RAG ಗಾಗಿ.
ಇದರಿಂದ ನಿಮ್ಮ ಏಜೆಂಟ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಮ್ಮದೇ ಡೇಟಾ ಮೂಲಕ ನೆಲಕ್ಕೆ ಇಳಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಮತ್ತು ನಿಖರವಾದ ಉತ್ತರಗಳನ್ನು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ. Azure AI Searchನ್ನು ಬಳಸಿ ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ಪ್ರವಾಸ ಮೆಮೊರಿಗಳು, ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ಗಳು ಅಥವಾ ಯಾವುದಾದರೂ ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಲು ಉಪಯೋಗಿಸಬಹುದು.
Azure AI Search ಸಂರಚಿತ RAGಂನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಇದು ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳಿಂದ ಸಂಗ್ರಹಿತ, ಸಂರಚಿತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆದು ಪುನರುದ್ದೇಶಿಸುವಲ್ಲಿ ಅಭಿನವವಾಗಿದೆ, ಉದಾಹರಣೆಗೆ ಸಂಭಾಷಣಾ ಇತಿಹಾಸಗಳು, ಇಮೇಲ್ಗಳು ಅಥವಾ ಚಿತ್ರಗಳು. ಈ ರೀತಿ ಸಾಂಪ್ರದಾಯಿಕ ಪಠ್ಯದ ಚಂಕಿಂಗ್ ಮತ್ತು embedding ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ “ಅದ್ಭುತ ನಿಖರತೆ ಮತ್ತು ಸ್ಮರಣೆ” ಒದಗಿಸುತ್ತದೆ.
AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವಯಂ-ಸುಧಾರಣೀಯವಾಗಿಸುವುದು
ಸ್ವಯಂ-ಸುಧಾರಣೀಯ ಏಜೆಂಟ್ಗಳ ಸಾಮಾನ್ಯ ಮಾದರಿ ಒಂದು “ಜ್ಞಾನ ಏಜೆಂಟ್” ಅನ್ನು ಪರಿಚಯಿಸುವುದಾಗಿ ತೋರಿಸುತ್ತದೆ. ಈ ಪ್ರತ್ಯೇಕ ಏಜೆಂಟ್ ಮುಖ್ಯ ಬಳಕೆದಾರ-ಪ್ರಾಥಮಿಕ ಏಜೆಂಟ್ ನಡುವಿನ ಸಂಭಾಷಣೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಇದರ ಪಾತ್ರವು:
-
ಮೌಲ್ಯಯುತ ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸುವುದು: ಸಂಭಾಷಣೆಯ ಯಾವುದೇ ಭಾಗವನ್ನು ಸಾಮಾನ್ಯ ಜ್ಞಾನ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರ Präферен್ಸ್ ಆಗಿ ಉಳಿಸುವ ಮೌಲ್ಯದಿದೆಯೇ ಇಲ್ಲವೋ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು.
-
ಹೊರತೆಗೆಯನ್ನು ಮತ್ತು ಸಾರಾಂಶಗೊಳಿಸುವುದು: ಸಂಭಾಷಣೆಯಿಂದ ಮೂಲभುತ ಕಲಿಕೆಯನ್ನು ಅಥವಾ Präферен್ಸ್ ಅನ್ನು ಸಂಕ್ಷೇಪಗೊಳಿಸುವುದು.
-
ಜ್ಞಾನ ಆಧಾರದೊಳಗೆ ಸಂಗ್ರಹಿಸುವುದು: ಈ ಹೊರತೆಗೆಯಾದ ಮಾಹಿತಿಯನ್ನು ಒಂದು ಜ್ಞಾನಬೇಸ್ನಲ್ಲಿ ಸ್ಥಿರಗೊಳಿಸುವುದು, ಬಹುಶಃ ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ, ನಂತರ ಅದನ್ನು ನಂತರ ಪಡೆದಿಕೊಳ್ಳಬಹುದಾಗಿರುತ್ತದೆ.
-
ಭವಿಷ್ಯ ಪ್ರಶ್ನೆಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವುದು: ಬಳಕೆದಾರ ಹೊಸ ಪ್ರಶ್ನೆ ಆರಂಭಿಸಿದಾಗ, ಜ್ಞಾನ ಏಜೆಂಟ್ ಸಂಬಂಧಿತ ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಕೊಂಡು ಬಳಕೆದಾರನ ಪ್ರಾಂಪ್ಟ್ಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮುಖ್ಯ ಏಜೆಂಟ್ಗೆ ಮುಖ್ಯ ಸಾಂದರ್ಭಿಕತೆಯನ್ನು ಒದಗಿಸುವುದು (RAG ಸಮಾನ).
ಮೆಮೊರಿಗಾಗಿ ಸುಧಾರಣೆಗಳು
• ದೇರಿಕೆಯನ್ನು ನಿರ್ವಹಣೆ: ಬಳಕೆದಾರ ಸಂವಹನವನ್ನು ನಿಧಾನಗೊಳಿಸದಂತೆ, ಮೊದಲಿಗೆ ತಗ್ಗು ವೆಚ್ಚದ, ವೇಗವಂತ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ತ್ವರಿತವಾಗಿ ಹಿಂದೆ ಉಳಿಸಲು ಲಭ್ಯವಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಬಹುದು, ಅಗತ್ಯವಿದ್ದರೆ ಮಾತ್ರ ಹೆಚ್ಚು ಜಟಿಲ ಹೊರತೆಗೆಯುವ/ಹುಡುಕಾಟ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಕರೆಸಬಹುದು.
• ಜ್ಞಾನ ಬೇಸ್ ನಿರ್ವಹಣೆ: ಬೆಳೆಯುತ್ತಿರುವ ಜ್ಞಾನ ಬೇಸ್ನಿಗಾಗಿ, ಅಲ್ಪವಾಗಿ ಬಳಕೆಯಾದ ಮಾಹಿತಿಯನ್ನು ಖರ್ಚು ನಿರ್ವಹಿಸಲು “ಕೋಲ್ಡ್ ಸ್ಟೋರೇಜ್”ಗೆ ಸರಿಸಲು ಸಾಧ್ಯ.
ಏಜೆಂಟ್ ಮೆಮೊರಿಯ ಬಗ್ಗೆ ಇನ್ನೂ ಹೆಚ್ಚಿನ ಪ್ರಶ್ನೆಗಳಿವೆಯೇ?
Join the Microsoft Foundry Discord to meet with other learners, attend office hours and get your AI Agents questions answered.
ನಿರಾಕರಣೆ: ಈ ದಾಖಲೆಗಳನ್ನು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಕೆ ಮಾಡಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯತ್ತ ಪ್ರಯತ್ನಿಸಿದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿನ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಗಂಭೀರ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಗ್ರಹಿಕೆಗಳು ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳಿಗಾಗಿ ನಾವು ಹೊಣೆಗಾರರಾಗಿಲ್ಲ.