ai-agents-for-beginners
AI ಏಜನ್ಟ್ಗಳಿಗಾಗಿ ಮೆಮರಿ
AI ಏಜನ್ಟ್ಗಳನ್ನು ರಚಿಸುವ ವೈಶಿಷ್ಟ್ಯಪೂರ್ಣ ಪ್ರಯೋಜನಗಳನ್ನು ಚರ್ಚಿಸುವಾಗ, ಮುಖ್ಯವಾಗಿ ಎರಡು ವಿಷಯಗಳು ಚರ್ಚಿಸಲಾಗುತ್ತವೆ: ಕೆಲಸಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಉಪಕರಣಗಳನ್ನು ಕರೆಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸಮಯದೊಂದಿಗೆ ಉತ್ತಮಗೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ. ಮೆಮರಿ ನಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ ಅನುಭವಗಳನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಾಗುವ ಸ್ವಸ್ವತಃ ಸುಧಾರಣೆಯ ಏಜೆಂಟನ್ನು ರಚಿಸುವ ಆಧಾರವಾಗಿದೆ.
ಈ ಪಾಠದಲ್ಲಿ, ನಾವು AI ಏಜನ್ಟ್ಗಳಿಗೆ ಮೆಮರಿ ಎಂದರೇನು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಿ ನಮ್ಮ ಆಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಪ್ರಯೋಜನಕ್ಕಾಗಿ ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ನೋಡೋಣ.
ಪರಿಚಯ
ಈ ಪಾಠವು ಈ ವಿಷಯಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:
• AI ಏಜೆಂಟ್ ಮೆಮರಿ ಬಗ್ಗೆ ಅರ್ಥ ಮಾಡಿಕೊಳ್ಳುವುದು: ಮೆಮರಿ ಎಂದರೇನು ಮತ್ತು ಏಜೆಂಟ್ಗಳಿಗೆ ಅದು ಎಷ್ಟು ಅಗತ್ಯವಿದೆ.
• ಮೆಮರಿಯನ್ನು ಜಾರಿಗೊಳಿಸುವುದು ಮತ್ತು ಸಂಗ್ರಹಿಸುವುದು: ನಿಮ್ಮ AI ಏಜನ್ಟ್ಗಳಿಗೆ ಮೆಮರಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳು, ವಿಶೇಷವಾಗಿ ತಾತ್ಕಾಲಿಕ ಮತ್ತು ದೀರ್ಘಕಾಲದ ಮೆಮರಿ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು.
• AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವತಃ ಸುಧಾರಿಸುವಂತೆ ಮಾಡುವುದು: ಹಳೆಯ ಸಂವಾದಗಳಿಂದ ಕಲಿಯುವ ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಿಸುವ ಪದ್ದತಿ.
ಲಭ್ಯವಿರುವ ಜಾರಿಗೊಳಿಕೆಗಳು
ಈ ಪಾಠದಲ್ಲಿ ಎರಡು ಸಮಗ್ರ ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ಗಳು ಸೇರಿವೆ:
• 13-agent-memory.ipynb: Mem0 ಮತ್ತು ಅಜೂರ್ AI ಶ್ವೇಧನವನ್ನು ಬಳಸಿಕೊಂಡು Microsoft Agent Framework ನಿಂದ ಮೆಮರಿಯನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ
• 13-agent-memory-cognee.ipynb: Cognee ಅನ್ನು ಉಪಯೋಗಿಸಿ ರಚನೆ ಮಾಡಿಕೊಂಡ ಮೆಮರಿಯನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ, ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಇಂಬೆಡ್ಡಿಂಗ್ ಮೂಲಕ ಜ್ಞಾನ ಗ್ರಾಫ್ ನಿರ್ಮಿಸುತ್ತದೆ, ಗ್ರಾಫ್ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಬುದ್ಧಿವಂತಿ ಪತ್ತೆ
ಕಲಿಕೆ ಗುರಿಗಳು
ಈ ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ನಂತರ, ನೀವು ತಿಳಿದುಕೊಳ್ಳುವಿರಿ:
• ಬೇರೆಬೇರೆ AI ಏಜೆಂಟ್ ಮೆಮರಿ ಪ್ರಕಾರಗಳನ್ನು ವಿಭಜಿಸುವುದು, ಇದರಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಣಾ, ತಾತ್ಕಾಲಿಕ ಮತ್ತು ದೀರ್ಘಕಾಲದ ಮೆಮರಿ ಮುಂತಾದವು ಮತ್ತು ಪರ್ಸೋನಾ ಮತ್ತು ಎಪಿಸೋಡಿಕ್ ಮೆಮರಿ ಎಂಬ ವಿಶೇಷ ರೂಪಗಳೂ ಸೇರಿವೆ.
• Microsoft Agent Framework ಅನ್ನು ಬಳಸಿಕೊಂಡು AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ ತಾತ್ಕಾಲಿಕ ಮತ್ತು ದೀರ್ಘಕಾಲದ ಮೆಮರಿಯನ್ನು ಜಾರಿಗೊಳಿಸುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು, Mem0, Cognee, ವೈಟ್ಬೋರ್ಡ್ ಮೆಮರಿ ಮುಂತಾದ ಉಪಕರಣಗಳ ಪ್ರಯೋಜನವನ್ನು ಪಡೆದು, ಮತ್ತು ಅಜೂರ್ AI ಶ್ವೇಧನದ ಜೊತೆಗೆ ಸಹಕರಿಸುವುದು.
• ಸ್ವತಃ ಸುಧಾರಿಸುವ AI ಏಜೆಂಟ್ಗಳ ತತ್ತ್ವಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ದೃಢವಾದ ಮೆಮರಿ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರ ಕಲಿಕೆ ಮತ್ತು ಹೊಂದಿಕೆಯನ್ನು ಹೇಗೆ ಈಡೇರಿಸುತ್ತವೆ.
AI ಏಜೆಂಟ್ ಮೆಮರಿಗೆ ಅರಿವು
ಮೂಲಭೂತವಾಗಿ, AI ಏಜೆಂಟ್ಗಳ ಮೆಮರಿ ಎಂದರೆ ಅವರನ್ನು ಮಾಹಿತಿ ಕಾಪಾಡು ಮತ್ತು ಮರೆಯಲಾಗುವುದನ್ನು ಸಾಧ್ಯಮಾಡುವ ವಿಧಾನಗಳು. ಈ ಮಾಹಿತಿಯಲ್ಲಿ ಸಂವಾದದ ನಿರ್ದಿಷ್ಟ ವಿವರಗಳು, ಬಳಕೆದಾರರ ಇಚ್ಛೆಗಳು, ಹಿಂದಿನ ಚಟುವಟಿಕೆಗಳು ಅಥವಾ ಕಲಿತ ಮಾದರಿಗಳು ಸೇರಿರಬಹುದು.
ಮೆಮರಿ ಇಲ್ಲದೆ, AI ಅಪ್ಲಿಕೇಶನ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಥಿತಿರಹಿತವಾಗಿರುತ್ತವೆ, ಅಂದ್ರೆ ಪ್ರತಿಯೊಂದು ಸಂವಾದವು ಹೊಸದಾಗಿ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಇದರಿಂದ ಬಳಕೆದಾರರಿಗೆ ಮುದುರಿಸಿದ ಮತ್ತು ತೀವ್ರವೇಣ ಚಿತ್ರವಾಗುವ ಅನುಭವ ಉಂಟಾಗುತ್ತದೆ, ಏಜೆಂಟ್ ಹಿಂದಿನ ಪರಿಸ್ಥಿತಿ ಅಥವಾ ಇಚ್ಛೆಗಳನ್ನು “ಮರೆತಂತೆ” ಆಗುತ್ತದೆ.
ಮೆಮರಿ ಯಾಕೆ ಮುಖ್ಯ?
ಒಂದು ಏಜೆಂಟ್ಬುದ್ಧಿಶಕ್ತಿ ಅದರ ಹಳೆಯ ಮಾಹಿತಿಯನ್ನು ಮರೆಯಲೂ ಮತ್ತು ಉಪಯೋಗಿಸಲೂ ಇರುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಗಾಢವಾಗಿ ಸಂಬಂಧಿಸಿದೆ. ಮೆಮರಿ ಏಜೆಂಟ್ಗಳನ್ನು ಚುಸುಯುವಂತೆ ಮಾಡುತ್ತದೆ:
• ಪ್ರತಿಬಿಮ್ಬಿಸುವಂತೆ: ಹಳೆಯ ನಡತೆಯಿಂದ ಮತ್ತು ಫಲಿತಾಂಶಗಳಿಂದ ಕಲಿಯುವುದು.
• ಆಂತರಿಕ ಸಂವಹನದೊಂದಿಗೆ: ನಿರಂತರ ಸಂವಾದ ಪ್ರತಿಪಾದಿಸುತ್ತದೆ.
• ಪ್ರೊಯಾಕ್ಟಿವ್ ಮತ್ತು ರಿಯಾಕ್ಟಿವ್ ಆಗಿ: ಹಳೆಯ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಅಗತ್ಯಗಳನ್ನು ಊಹಿಸುವುದು ಅಥವಾ ಸೂಕ್ತವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು.
• ಸ್ವತಂತ್ರ: ಸಂಗ್ರಹಿಸಿದ ಜ್ಞಾನವನ್ನು ಆಧರಿಸಿ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು.
ಮೆಮರಿ ಜಾರಿಗೊಳಿಸುವ ಮುಖ್ಯ ಉದ್ದೇಶವೇ ಎಂದು аген್ಟ್ಗಳನ್ನು ಹೆಚ್ಚು ನಂಬಿಕೆಯುಳ್ಳ ಮತ್ತು ಶಕ್ತಿವಂತವನ್ನಾಗಿಸುವುದು.
ಮೆಮರಿಯ ಪ್ರಕಾರಗಳು
ಕಾರ್ಯನಿರ್ವಹಣಾ ಮೆಮರಿ
ಇದು ಏಜೆಂಟ್ ಒಂದು ನಿರಂತರ ಕೆಲಸ ಅಥವಾ ಯೋಚನಾ ಪ್ರಕ್ರિયામાં ಬಳಸುವ ಒಂದು ರಚನೆಯಂತೆ ಗುರುತಿಸಬಹುದು. ಮುಂದಿನ ಹೆಜ್ಜೆಯನ್ನು ಗಣನೆಗೊಳ್ಳಲು ತಕ್ಷಣದ ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯನ್ನು ಹಿಡಿದಿಡುತ್ತದೆ.
AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ, ಕಾರ್ಯನಿರ್ವಹಣಾ ಮೆಮರಿ ಸಾಮಾನ್ಯವಾಗಿ ಸಂದರ್ಶನದಿಂದ ಅತ್ಯಂತ ಪ್ರಾಸಕ್ತ ಮಾಹಿತಿಯನ್ನು ಹಿಡಿದಿಡುತ್ತದೆ, ಯಾಕೆಂದರೆ ಪೂರ್ಣ ಚಾಟ್ ಇತಿಹಾಸವು ಬಹಳ ಉದ್ದವಾಗಿರುವ ಅಥವಾ ಕಡಿತವಾಗಿರಬಹುದು. ಇದು ಅಗತ್ಯಗಳು, ಪ್ರಸ್ತಾವನೆಗಳು, ನಿರ್ಧಾರಗಳು ಮತ್ತು ಕ್ರಮಗಳು ಎಂಬುಂತಹ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ತೆಗೆಯುವುದರ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತದೆ.
ಕಾರ್ಯನಿರ್ವಹಣಾ ಮೆಮರಿ ಉದಾಹರಣೆ
ಪ್ರಯಾಣ ಬುಕ್ಕಿಂಗ್ ಏಜೆಂಟ್ನಲ್ಲಿ, ಕಾರ್ಯನಿರ್ವಹಣಾ ಮೆಮರಿ ಬಳಕೆದಾರನ ಪ್ರಸ್ತುತ ವಿನಂತಿಯನ್ನು ಹಿಡಿದಿಡಬಹುದು, ಉದಾಹರಣೆಗೆ “ನಾನು ಪ್ಯಾರಿಸ್ಗೆ ಪ್ರಯಾಣವನ್ನು ಬುಕ್ ಮಾಡಬೇಕು”. ಈ ವಿಶಿಷ್ಟ ಅಗತ್ಯವನ್ನು ಏಜೆಂಟ್ ತಕ್ಷಣದ ಪರಿಸರದಲ್ಲಿ ಹಿಡದಿಡುತ್ತದೆ ಇಂದಿನ ಸಂಭಾಷಣೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು.
ತಾತ್ಕಾಲಿಕ ಮೆಮರಿ
ಈ ಮೆಮರಿ ಒಂದು ಸಂವಾದ ಅಥವಾ ಸೆಷನ್ ಅಂತರದಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಉಳಿಸುತ್ತದೆ. ಅದು ಪ್ರಸ್ತುತ ಚಾಟ್ನ ಸಂದರ್ಭವಾಗಿದೆ, ಏಜೆಂಟ್ ಹಿಂದಿನ ಟರ್ನ್ಗಳನ್ನು ಹಿಂಭಾಗವಾಗಿ ಸೂಚಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
Microsoft Agent Framework ಪೈಥಾನ್ SDK ಸ್ಯಾಂಪಲ್ಗಳಲ್ಲಿ, ಇದು AgentSession ಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ, ಇದನ್ನು agent.create_session() ಮೂಲಕ ರಚಿಸಲಾಗುತ್ತದೆ. ಸೆಷನ್ ಫ್ರೇಮ್ವರ್ಕ್ನ ನಿರ್ಮಿತ ತಾತ್ಕಾಲಿಕ ಮೆಮರಿ: ಅದು ಸಂವಾದದ ಸಂದರ್ಭವನ್ನು ಲಭ್ಯವಾಗಿಡುತ್ತದೆ ಅದೇ ಸೆಷನ್ ಪುನಃಬಳಸಲು, ಆದರೆ ಸೆಷನ್ ಕೊನೆಗೊಳ್ಳುವಾಗ ಅಥವಾ ಆಪ್ಲಿಕೇಶನ್ ಮರುಪ್ರಾರಂಭಿಸುವಾಗ ಆ ಸಂದರ್ಭ ಉಳಿಯುವುದಿಲ್ಲ. ದೀರ್ಘಕಾಲದ ಮೆಮರಿಗಾಗಿ, ಸಿದ್ಧಾಂತಗಳು ಮತ್ತು ಇಚ್ಛೆಗಳು ಸೆಷನ್ ಗಳೆಗಳನ್ನು ಮೀರಿಸಿ ಉಳಿಸಲು, ಸಾಮಾನ್ಯವಾಗಿ ಡೇಟಾಬೇಸ್, ವೆಕ್ಟರ್ ಸೂಚಿ ಅಥವಾ ಇನ್ನೊಂದು ಸ್ಥಿರ ಸ್ಟೋರ್ ಬಳಸು.
ತಾತ್ಕಾಲಿಕ ಮೆಮರಿ ಉದಾಹರಣೆ
ಬಳಕೆದಾರನು “ಪ್ಯಾರಿಸ್ಗೆ ವಿಮಾನ ದರ ಎಷ್ಟು?” ಎಂದು ಕೇಳಿದಾಗ ಮತ್ತು ನಂತರ “ಅಲ್ಲಿ ವಸತಿ ಹೇಗೆ?” ಎಂದು ಕೇಳಿದಾಗ, ತಾತ್ಕಾಲಿಕ ಮೆಮರಿ ಏಜೆಂಟ್ಗೆ “ಅಲ್ಲಿ” ಎಂದರೆ “ಪ್ಯಾರಿಸ್” ಅನ್ನೋದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಒಂದೇ ಸಂವಾದದೊಳಗೆ.
ದೀರ್ಘಕಾಲದ ಮೆಮರಿ
ಇದು ಹಲವು ಸಂವಾದಗಳ ಅಥವಾ ಸೆಷನ್ಗಳ ಅಂತರದಲ್ಲಿ ಉಳಿಸುವ ಮಾಹಿತಿ. ಇದು ಏಜೆಂಟ್ಗಳಿಗೆ ಬಳಕೆದಾರರ ಇಚ್ಛೆಗಳು, ಇತಿಹಾಸ ಸಂವಾದಗಳು ಅಥವಾ ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು ಅನೇಕ ಸಮಯಗಳ ಹಿಂದೆ ಉಳಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಇದು ವೈಯಕ್ತಿಕರೀಕರಣಕ್ಕೆ ಮುಖ್ಯ.
ದೀರ್ಘಕಾಲದ ಮೆಮರಿ ಉದಾಹರಣೆ
ದೀರ್ಘಕಾಲದ ಮೆಮರಿ “ಬೆನ್ ಸ್ಕೀಯಿಂಗ್ ಮತ್ತು ಹೊರಾಂಗಣ ಚಟುವಟಿಕೆಗಳನ್ನು ಆಸ್ವಾದಿಸುತ್ತಾನೆ, ಪರ್ವತದ ದೃಶ್ಯ ಸಹ ಆ ಕಾಫಿ ಇಷ್ಟಪಡುವನ stos, ಮತ್ತು ಹಿಂದಿನ ಗಾಯದಿಂದ ಬಳಕೆಯಾಯಿತು ಆಧಾರಿತವಾಗಿ ಸುಧಾರಿತ ಸ್ಕಿ ಉಂಟಾ ನೆರವು ನೀಡಲು ಬಯಸುತ್ತಾನೆ” ಎಂದು ಸಂಗ್ರಹಿಸುವಿರಬಹುದು. ಈ ಮಾಹಿತಿಯನ್ನು ಹಳೆಯ ಸಂವಾದಗಳಿಂದ ಕಲಿತಿದೆ, ಇದು ಮುಂದಿನ ಪ್ರಯಾಣ ಯೋಜನೆ ಸೆಷನ್ಗಳಲ್ಲಿ ಶಿಫಾರಸುಗಳನ್ನು ಹೆಚ್ಚು ವೈಯಕ್ತಿಕಗೊಳಿಸುತ್ತದೆ.
ಪರ್ಸೋನಾ ಮೆಮರಿ
ಈ ವಿಶೇಷ ಮೆಮರಿ ಪ್ರಕಾರವು ಏಜೆಂಟ್ಗೆ ನೈಜವಾದ “ವ್ಯಕ್ತಿತ್ವ” ಅಥವಾ “ಪರ್ಸೋನಾ” ಸಾಧಿಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ. ಇದು ಏಜೆಂಟ್ ತನ್ನ ಬಗ್ಗೆ ಅಥವಾ ನಿಗದಿತ ಪಾತ್ರದ ಬಗ್ಗೆ ವಿವರಗಳನ್ನು ನೆನಪಿಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಸಂವಾದಗಳನ್ನು ಹೆಚ್ಚು ನಿರಂತರ ಮತ್ತು ಕೇಂದ್ರೀಕೃತವಾಗಿಸುವುದು.
ಪರ್ಸೋನಾ ಮೆಮರಿ ಉದಾಹರಣೆ ಪ್ರಯಾಣ ಏಜೆಂಟ್ ಅನ್ನು “ನಿಪುಣ ಸ್ಕಿ ಯೋಜಕ” ಆಗಿ ವಿನ್ಯಾಸಗೊಳಿದ್ದರೆ, ಪರ್ಸೋನಾ ಮೆಮರಿ ಈ ಪಾತ್ರವನ್ನು ಮೆರೆದಿಡಬಹುದು, ಅದರ ಉತ್ತರಗಳನ್ನು ನಿಪುಣರ ಧ್ವನಿ ಮತ್ತು ಜ್ಞಾನಕ್ಕಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತದೆ.
ವರ್ಕ್ಫ್ಲೋ/ಎಪಿಸೋಡಿಕ್ ಮೆಮರಿ
ಈ ಮೆಮರಿ ಏಜೆಂಟ್ ಸಂಕೀರ್ಣ ಕಾರ್ಯದಲ್ಲಿ ತೆಗೆದುಕೊಂಡ ಕ್ರಮಗಳ ಕ್ರಮವನ್ನು, ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲನಗಳನ್ನು ಸೇರಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಇದು ವಿಶಿಷ್ಟ “ಎಪಿಸೋಡ್” ಗಳನ್ನು ಅಥವಾ ಹಳೆಯ ಅನುಭವಗಳನ್ನು ನೆನಪಿಡುವುದು ಹಾಗೆ.
ಎಪಿಸೋಡಿಕ್ ಮೆಮರಿ ಉದಾಹರಣೆ
ಏಜೆಂಟ್ ನಿರ್ದಿಷ್ಟ ವಿಮಾನವನ್ನು ಬುಕ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದಾಗ ಅದು ಲಭ್ಯವಿಲ್ಲದ ಕಾರಣ ವಿಫಲವಾದರೆ, ಎಪಿಸೋಡಿಕ್ ಮೆಮರಿ ಈ ವಿಫಲತೆಯನ್ನು ದಾಖಲಿಸಬಹುದು, ಇದು ಏಜೆಂಟ್ಗೆ ಪರ್ಯಾಯ ವಿಮಾನಗಳನ್ನು ಪ್ರಯತ್ನಿಸಲು ಅಥವಾ ಮುಂದಿನ ಪ್ರಯತ್ನದಲ್ಲಿ ಬಳಕೆದಾರನಿಗೆ ಹೆಚ್ಚು ಮಾಹಿತಿ ನೀಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
Entity ಮೆಮರಿ
ಇದು ಸಂವಾದಗಳಿಂದ ನಿರ್ದಿಷ್ಟ ಘಟಕಗಳು (ಮಾನವರು, ಸ್ಥಳಗಳು ಅಥವಾ ವಸ್ತುಗಳು) ಮತ್ತು ಘಟನಾವಳಿಗಳನ್ನು ತೆಗೆಯುವ ಮತ್ತು ನೆನಪಿಡಲು ಸಂಬಂಧಿಸಿದೆ. ಇದು ಮುಖ್ಯ ಅಂಶಗಳ ರಚನಾತ್ಮಕ ಅರಿವನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಏಜೆಂಟ್ಗೆ ಸಹಾಯಮಾಡುತ್ತದೆ.
Entity ಮೆಮರಿ ಉದಾಹರಣೆ
ಹಳೆಯ ಯಾತ್ರೆಯ ಕುರಿತ ಸಂವಾದದಿಂದ, ಏಜೆಂಟ್ “ಪ್ಯಾರಿಸ್”, “ಐಫೆಲ್ ಟವರ್” ಮತ್ತು “ಲೆ ಶಾಟ್ ನ್ವಾರ್ ರೆಸ್ಟೋರೆಂಟ್ ನಲ್ಲಿ ಊಟ” ಅನ್ನು ಘಟಕಗಳಾಗಿ ತೆಗೆಯಬಹುದು. ಭವಿಷ್ಯದ ಸಂವಾದದಲ್ಲಿ, ಏಜೆಂಟ್ “ಲೆ ಶಾಟ್ ನ್ವಾರ್” ಅನ್ನು ನೆನಪಿಟ್ಟು ಹೊಸ ಮೀಟಿಂಗ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡಬಹುದು.
ರಚನಾತ್ಮಕ RAG (ರೆಟ್ರೀವಲ್ ಜೊತೆಗೆ ಉತ್ಪಾದನೆ)
RAG ಒಂದು ವ್ಯಾಪಕ ತಂತ್ರಜ್ಞಾನವಾಗಿದ್ದರೆ, “ರಚನಾತ್ಮಕ RAG” ಅನ್ನು ಶಕ್ತಿ ನೀಡುವ ಮೆಮರಿ ತಂತ್ರಜ್ಞಾನದಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಇದು ವಿವಿಧ ಮೂಲಗಳಿಂದ (ಸಂವಾದಗಳು, ಇಮೇಲ್ಗಳು, ಚಿತ್ರಗಳು) ಘನ, ರಚನಾತ್ಮಕ ಮಾಹಿತಿಯನ್ನು ತೆಗೆಯುತ್ತದೆ ಮತ್ತು ಸ್ಪಂದನೆಗಳ ನಿಖರತೆ, ಮರೆಯುವಿಕೆ ಮತ್ತು ವೇಗವನ್ನು ಸುಧಾರಿಸಲು ಬಳಸುತ್ತದೆ. ಪರಂಪರೆಯ RAGವು ಶುದ್ಧವಾಗಿ ಸಿಮೆಂಟಿಕ್ ಸಾಮ್ಯತೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದರೆ, ರಚನಾತ್ಮಕ RAG ಮಾಹಿತಿಯ ಒಳಿತನ ರಚನೆಯ ಮಾಹಿತಿಯನ್ನೇ ಬಳಸುತ್ತದೆ.
ರಚನಾತ್ಮಕ RAG ಉದಾಹರಣೆ
ಕೀವರ್ಡ್ಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿಕೊಳಿಸುವ ಬದಲು, ರಚನಾತ್ಮಕ RAG ಇಮೇಲ್ನಿಂದ ವಿಮಾನ ವಿವರಗಳನ್ನು (ಗಮ್ಯಸ್ಥಾನ, ದಿನಾಂಕ, ಸಮಯ, ವಿಮಾನಯಾನ ಕಂಪನಿ) ವಿಶ್ಲೇಷಿಸಿ ರಚನಾತ್ಮಕ ರೀತಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಬಹುದು. ಇದರಿಂದ “ನಾನು ಮಂಗಳವಾರ ಪ್ಯಾರಿಸ್ಗೆ ಯಾವ ವಿಮಾನವನ್ನು ಬುಕ್ ಮಾಡಿದ್ದೇನೆ?” ಎಂಬ ನಿಖರ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು.
ಮೆಮರಿ ಜಾರಿಗೊಳಿಸುವುದು ಮತ್ತು ಸಂಗ್ರಹಿಸುವುದು
AI ಏಜೆಂಟ್ಗಳ ಮೆಮರಿಯನ್ನು ಜಾರಿಗೊಳಿಸುವುದು ಸistem್ಯಾಟಿಕ್ ಸಂರಚನೆಯ ಅಗತ್ಯವಿದೆ, ಯಾ्तನೆ ಮೆಮರಿ ನಿರ್ವಹಣೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಸಾಮಾಜಿಕವಾಗಿ ಸೃಷ್ಟಿಸುವುದು, ಸಂಗ್ರಹಿಸುವುದು, ಪಡೆದಿಸುವುದು, ಸೇರಿಸುವುದು, ನವೀಕರಿಸುವುದು ಮತ್ತು “ಮರೆತುಹೋಗುವುದು” (ಅಥವಾ ಅಳಿಸುವುದು) ಎಂಥ ಮಾಹಿತಿ. ಪಡೆದಿಸುವುದು ವಿಶೇಷವಾಗಿ ಮುಖ್ಯ.
ವಿಶೇಷಗೊಳಿಸಿದ ಮೆಮರಿ ಸಾಧನಗಳು
Mem0
ಏಜೆಂಟ್ಗಳ ಮೆಮರಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಒಂದು ಮಾರ್ಗವು Mem0 ಎಂಬ ವಿಶೇಷ ಸಾಧನಗಳನ್ನು ಉಪಯೋಗಿಸುವುದು. Mem0 ನಿರಂತರ ಮೆಮರಿ ಲೇಯರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಏಜೆಂಟ್ಗಳು ಸಂಬಂಧಿತ ಸಂವಹನಗಳನ್ನು ಮರೆಯಬೇಕಾಗುತ್ತದೆ, ಬಳಕೆದಾರರ ಇಚ್ಛೆಗಳು ಮತ್ತು ಸತ್ಯಾಂಶ ದೃಷ್ಟಿಕೋಣವನ್ನು ಸಂಗ್ರಹಿಸಲು, ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲತೆಗಳನ್ನು ಸಮಯಕ್ರಮದಲ್ಲಿ ಕಲಿಯುತ್ತವೆ. ಇಲ್ಲಿ ಕಲ್ಪನೆ ಎಂಬುದು ಸ್ಥಿತಿರಹಿತ ಏಜೆಂಟ್ಗಳು ಸ್ಥಿತಿಮಟ್ಟದ ಏಜೆಂಟ್ಗಳಾಗಿ ಬದಲಾಗುತ್ತವೆ.
ಇದು ಎರಡು ಹಂತದ ಮೆಮರಿ ಪೈಪ್ಲೈನ್: ತೆಗೆಯುವಿಕೆಯನ್ನು ಮತ್ತು ನವೀಕರಣವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ. ಮೊದಲಿಗೆ, ಏಜೆಂಟ್ಗಳ ತಂತಿಯಲ್ಲಿ ಸೇರಿಸಿದ ಸಂದೇಶಗಳನ್ನು Mem0 ಸೇವೆಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ, ಇದು ಒಂದು ವಿಶಾಲ ಭಾಷಾ ಮಾದರಿಯ (LLM) ಮೂಲಕ ಸಂವಾದ ಇತಿಹಾಸವನ್ನು ಸಾರಾಂಶ ಮಾಡಿ ಹೊಸ ಮೆಮರಿಗಳನ್ನು ತೆಗೆಯುತ್ತದೆ. ನಂತರ, LLM ಆಧಾರಿತ ನವೀಕರಣ ಹಂತವು ಈ ಮೆಮರಿಗಳನ್ನು ಸೇರಿಸಲು, ತಿದ್ದುಪಡಿ ಮಾಡಲು ಅಥವಾ ಅಳಿಸಲು ನಿರ್ಧರಿಸುತ್ತದೆ, ಮತ್ತು ಅವುಗಳನ್ನು ವೆಕ್ಟರ್, ಗ್ರಾಫ್ ಮತ್ತು ಕೀ-ವೆಲ್ಯೂ ಡೇಟಾಬೇಸ್ಗಳನ್ನು ಒಳಗೊಂಡ ಸಂಯೋಜಿತ ಡೇಟಾ ಸಂಗ್ರಹಣದಲ್ಲಿ ಇಡುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆ ವಿಭಿನ್ನ ಮೆಮರಿ ಪ್ರಕಾರಗಳನ್ನು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಘಟಕಗಳ ನಡುವಣ ಸಂಬಂಧಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಗ್ರಾಫ್ ಮೆಮರಿ ಸಹ ಸೇರಿಸಬಹುದು.
Cognee
ಇನ್ನೊಂದು ಶಕ್ತಿ ಬಲವಂತಿಕವಾಗಿರುವ ವಿಧಾನವೆಂದರೆ Cognee ಉಪಯೋಗಿಸುವುದು, ಇದು AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ ಮುಕ್ತ ಮೂಲ ಸಿಮೆಂಟಿಕ್ ಮೆಮರಿ ಆಗಿದ್ದು, ರಚನಾತ್ಮಕ ಮತ್ತು ಅರ್ಚನಾತ್ಮಕ ಡೇಟাকে ಇಂಬೆಡ್ಡಿಂಗ್ಗಳಿಂದ ಬೆಂಬಲಿತ ಜ್ಞಾನ ಗ್ರಾಫಗಳಿಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ. Cognee ಒಂದು ಡ್ಯುಯಲ್ ಸ್ಟೋರ್ ವಾಸ್ತುಶಿಲ್ಪ ಒದಗಿಸುತ್ತದೆ, ಇದು ವೆಕ್ಟರ್ ಸಮಾನತೆ ಹುಡುಕಾಟ ಮತ್ತು ಗ್ರಾಫ್ ಸಂಬಂಧಗಳನ್ನು ಸಂಯೋಜಿಸಿದೆ, ಏಜೆಂಟ್ಗಳಿಗೆ ಅವರು ಸಮಾನವಾದ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರವಲ್ಲ, ಆದರೆ ಧಾರಣೆಗಳು ಪರಸ್ಪರ ಹೇಗೆ ಸಂಬಂಧ ಹೊಂದಿವೆ ಎಂಬುದನ್ನೂ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಇದು ಹೈಬ್ರಿಡ್ ಪಡೆದುಕೊಳ್ಳುವಿಕೆ ಯಲ್ಲಿ ಬಹುಶಃವೇ ತಂತ್ರಜ್ಞಾನವಾಗಿ ಹೊರತುಪಡಿಸುತ್ತದೆ, ಇದು ವೆಕ್ಟರ್ ಸಾಮ್ಯತೆ, ಗ್ರಾಫ್ ರಚನೆ ಮತ್ತು LLM ತರ್ಕವನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ - ಮೂಲ ಖಂಡ ಖುದ್ದು ಗುಣಲಕ್ಷಣ ಅದನ್ನು ಗ್ರಾಫ್-ಅವರ ಒಮ್ಮೆ. ವ್ಯವಸ್ಥೆ ಜೀವಂತ ಮೆಮರಿಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಅದು ಬೆಳೆಯುತ್ತಾ ಮತ್ತು ವಿಸ್ತರಿಸುತ್ತಾ ಇರುತ್ತದೆ ಮತ್ತು ಒಂದು ಜೋಡಿತ ಗ್ರಾಫ್ ಆಗಿ ಪ್ರಶ್ನೆ ಕೇಳಬಲ್ಲದು, ಅದು ತಾತ್ಕಾಲಿಕ ಸೆಷನ್ ಸಂದർಭ ಮತ್ತು ದೀರ್ಘಕಾಲದ ಸ್ಥಿರ ಮೆಮರಿಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
Cognee ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ (13-agent-memory-cognee.ipynb) ಇದನ್ನು ಒಗ್ಗೂಡಿದ ಮೆಮರಿ ಲೇಯರ್ ರಚಿಸುವುದನ್ನು ತೋರಿಸುತ್ತದೆ, ಬಿನ್ನಹಾಲಿನ ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ, ಜ್ಞಾನ ಗ್ರಾಫ್ನ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ವಿಭಿನ್ನ ಹುಡುಕಾಟ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಪ್ರಶ್ನೆ ಕೇಳುವವು.
RAG ನೊಂದಿಗೆ ಮೆಮರಿ ಸಂಗ್ರಹಿಸುವುದು
Mem0 പോലಿನ ವಿಶೇಷಗೊಳಿಸಿದ ಮೆಮರಿ ಸಾಧನಗಳನ್ನು ಮೀರಿ, ನೀವು ಅಜೂರ್ AI ಶ್ವೇಧನವನ್ನು ಬ್ಯಾಕೆಂಡ್ ಆಗಿ ಮೆಮರಿಗಳನ್ನು ಸಂಗ್ರಹಿಸು ಮತ್ತು ಪಡೆದಿಸಲು ಬಳಸಬಹುದು, ವಿಶೇಷವಾಗಿ ರಚನಾತ್ಮಕ RAG ಗಾಗಿ.
ಇದರಿಂದ ನೀವು ನಿಮ್ಮ ಏಜೆಂಟ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾದೊಂದಿಗೆ ನೆಲಸಿಗೊಳಿಸಬಹುದು, ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಮತ್ತು ನಿಖರ ಉತ್ತರಗಳನ್ನು ಖಾತ್ರಿ ಮಾಡಬಹುದು. ಅಜೂರ್ AI ಶ್ವೇಧನವನ್ನು ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ಪ್ರಯಾಣ ಮೆಮರಿಗಳು, ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ಗಳು ಅಥವಾ ಯಾವುದೇ ಇನ್ನಷ್ಟು ವಿಶಿಷ್ಟ ಕ್ಷೇತ್ರ ಜ್ಞಾನ ಸಂಗ್ರಹಿಸಲು ಬಳಸಬಹುದು.
ಅಜೂರ್ AI ಶ್ವೇಧನವು ರಚನಾತ್ಮಕ RAG ತರಹದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಇದು ದೊಡ್ಡ ಡೇಟಾಸেট್ಗಳಿಂದ (ಸಂವಾದ ಇತಿಹಾಸ, ಇಮೇಲ್ಗಳು, ಚಿತ್ರಗಳು) ಘನ, ರಚನಾತ್ಮಕ ಮಾಹಿತಿಯನ್ನು ತೆಗೆದು, ನಿಖರತೆ ಮತ್ತು ಮರೆಯುವಿಕೆಯಲ್ಲಿ ಮಾನವರಿಗಿಂತ ಮೇಲುಗೈ ಸಾಧಿಸುತ್ತದೆ. ಇದು ಪರಂಪರೆಯ ಪಠ್ಯ ಕೃಂಚಿಸುವಿಕೆ ಮತ್ತು ಇಂಬೆಡ್ಡಿಂಗ್ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿದೆ.
AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವತಃ ಸುಧಾರಿಸು
ಸ್ವತಃ ಸುಧಾರಿಸುವ ಏಜೆಂಟ್ಗಳಿಗೆ ಸಾಮಾನ್ಯ ಮಾದರಿಯು ಒಂದು “ಜ್ಞಾನ ಏಜೆಂಟ್” ಅನ್ನು ಪರಿಚಯಿಸುವುದು. ಈ ವಿಭಿನ್ನ ಏಜೆಂಟ್ ಬಳಕೆದಾರ ಮತ್ತು ಪ್ರಮುಖ ಏಜೆಂಟ್ ನಡುವೆ ನಡೆಯುವ ಸಂವಾದವನ್ನು ಗಮನಿಸುತ್ತದೆ. ಅದರ ಪಾತ್ರ:
-
ಮುಖ್ಯ ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸುವುದು: ಸಂವಾದದ ಭಾಗವನ್ನು ಸಾಮಾನ್ಯ ಜ್ಞಾನ ಅಥವಾ ವಿಶೇಷ ಬಳಕೆದಾರ ಇಚ್ಛೆಯಾಗಿ ಉಳಿಸಬೇಕಾದೆಯೋ ಇಲ್ಲವೋ ಅಂದುಕೊಳ್ಳುವುದು.
-
ತೆಗೆಯುವುದು ಮತ್ತು ಸಾರಾಂಶಗೊಳಿಸುವುದು: ಸಂವಾದದಿಂದ ಪ್ರಮುಖ ಕಲಿಕೆ ಅಥವಾ ಇಚ್ಛೆಯನ್ನು ಸಂಗ್ರಹಿಸುವುದು.
-
ಜ್ಞಾನ ಭಂಡಾರದಲ್ಲಿ ಸಂಗ್ರಹಿಸುವುದು: ಈ ತೆಗೆದುಹಿಡಿದ ಮಾಹಿತಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಉಳಿಸುವುದು, ನಂತರ ಅದನ್ನು ಪಡೆದಿಸುವಂತೆ.
-
ಭವಿಷ್ಯದ ಪ್ರಶ್ನೆಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು: ಬಳಕೆದಾರನು ಹೊಸ ಪ್ರಶ್ನೆಯನ್ನು ಮಾಡಿದಾಗ, ಜ್ಞಾನ ಏಜೆಂಟ್ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಪಡೆದು ಬಳಕೆದಾರನ ಪ್ರಾಂಪ್ಟ್ಗೆ ಸೇರಿಸಿ, ಪ್ರಮುಖ ಏಜೆಂಟ್ಗೆ ಅಗತ್ಯ ಸಂದರ್ಭ ಒದಗಿಸುವುದು (RAG ಮಾದರಿಯಂತೆ).
ಮೆಮರಿಗಾಗಿ ಸುಧಾರಣೆಗಳು
• ವಿಲಂಬ ನಿರ್ವಹಣೆ: ಬಳಕೆದಾರ ಸಂವಾದಗಳನ್ನು ನಿಧಾನಗೊಳಿಸುವುದನ್ನು ತಪ್ಪಿಸಲು, ಮುಂಚಿತವಾಗಿ ಸರಳ, ವೇಗವಾದ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಉಳಿಸುವುದು ಅಥವಾ ಮತ್ತು ಪಡೆಯುವುದು ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ತ್ವರಿತವಾಗಿ ಪರಿಶೀಲಿಸುವುದು, ಮತ್ತು ಕೇವಲ ಅವಶ್ಯಕತೆ ಇದ್ದಾಗ ಗೊಂದಲಪೂರ್ಣ ತೆಗೆಯುವಿಕೆ / ಪಡೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಕರೆಸಿಕೊಳ್ಳುವುದು.
• ಜ್ಞಾನ ಭಂಡಾರದ ನಿರ್ವಹಣೆ: ಬೆಳೆಯುವ ಜ್ಞಾನ ಭಂಡಾರಕ್ಕೆ ಕಡಿಮೆ ಬಳಕೆಯಾಗುವ ಮಾಹಿತಿಯನ್ನು “ಶೀತಲ ಸಂಗ್ರಹ” ಗೆ ಕಳಿಸುವ ಮೂಲಕ ವೆಚ್ಚ ನಿರ್ವಹಣೆ.
ಏಜೆಂಟ್ ಮೆಮರಿ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಪ್ರಶ್ನೆಗಳಿವೆಯೇ?
Microsoft Foundry Discord ಗೆ ಸೇರಿ, ಇತರ ಕಲಿಯುಗರನ್ನು ಭೇಟಿ ಮಾಡಿ, ಫಲಕಾವಧಿ ಪ್ರೈನ್ಸ್ ಗಳಲ್ಲಿ ಪಾಲ್ಗೊಳ್ಳಿ ಮತ್ತು ನಿಮ್ಮ AI ಏಜೆಂಟ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು ಪಡೆಯಿರಿ.
ಹಿಂದಿನ ಪಾಠ
AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ ನೀಡಲ್ಪಟ್ಟ ಪರಿಸರ ಕ್ರಿಯಾಶೀಲತೆಯ ಇಂಜಿನಿಯರಿಂಗ್
ಮುಂದಿನ ಪಾಠ
Microsoft Agent Framework ಅನ್ವೇಷಣೆ
ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.