ai-agents-for-beginners
AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ
AI ಏಜೆಂಟ್ಗಳನ್ನು ರಚಿಸುವ ವಿಶೇಷ ಪ್ರಯೋಜನಗಳನ್ನು ಚರ್ಚಿಸುವಾಗ, ಮುಖ್ಯವಾಗಿ ಎರಡು ವಿಷಯಗಳನ್ನು ಚರ್ಚಿಸಲಾಗುತ್ತದೆ: ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸಾಧನಗಳನ್ನು ಕರೆಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಣೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ. ನಮ್ಮ ಬಳಕೆದಾರರಿಗಾಗಿ ಉತ್ತಮ ಅನುಭವಗಳನ್ನು ಸೃಷ್ಟಿಸಬಲ್ಲ ಸ್ವಯಂ ಸುಧಾರಣೆಯಾಗುವ ಏಜೆಂಟ್ ರಚನೆಯ ಮೂಲದಲ್ಲಿದೆ ಮೆಮೊರಿ.
ಈ ಪಾಠದಲ್ಲಿ, AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಎಂದರೇನು ಮತ್ತು ಅದನ್ನು ನಾವು ಹೇಗೆ ನಿರ್ವಹಿಸಿ ನಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ಗಳ ಪ್ರಯೋಜನಕ್ಕೆ ಬಳಸಬಹುದು ಎಂದು ನೊಡಲಿದ್ದೇವೆ.
ಪರಿಚಯ
ಈ ಪಾಠದಲ್ಲಿ ಕವರ್ ಮಾಡಲಿರುವುದು:
• AI ಏಜೆಂಟ್ ಮೆಮೊರಿಯ ಅರಿವು: ಮೆಮೊರಿ ಎಂದರೇನು ಮತ್ತು ಏಜೆಂಟ್ಗಳಿಗೆ ಯಾಕೆ ಅವಶ್ಯಕತೆ ಇದೆ.
• ಮೆಮೊರಿ ಜೋಡಿಸುವುದು ಮತ್ತು ಸಂಗ್ರಹಿಸುವುದು: ನಿಮ್ಮ AI ಏಜೆಂಟ್ಗಳಿಗೆ ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳು.
• AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವಯಂ ಸುಧಾರಣೆಯಾಗುವಂತೆ ಮಾಡುವುದು: ಮೆಮೊರಿ ಹೇಗೆ ಏಜೆಂಟ್ಗಳನ್ನು ಹಿಂದಿನ ಸಂವಾದದಿಂದ ಕಲಿತಂತೆ ಬಲಪಡಿಸುತ್ತದೆ ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಸುಧಾರಿಸುತ್ತದೆ.
ಲಭ್ಯವಿರುವ ಜಾರಿಗೊಂಡಿರುವಿಕೆಗಳು
ಈ ಪಾಠವು ಎರಡು ಸಂಪೂರ್ಣವಾದ ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
• 13-agent-memory.ipynb: Mem0 ಮತ್ತು Azure AI Search ಬಳಸಿ Microsoft Agent Framework ಮೂಲಕ ಮೆಮೊರಿ ಜಾರಿಗೊಳ್ಳುವುದು
• 13-agent-memory-cognee.ipynb: Cognee ಬಳಸಿ ಸಂರಚಿತ ಮೆಮೊರಿ ಜಾರಿಗೊಳಿಸುವುದು, ಈಗಾಗಲೇ ಇರುವ ಎಂಬೆಡ್ಡಿಂಗ್ಗಳ ಬೆಂಬಲದೊಂದಿಗೆ ಜ್ಞಾನ ಗ್ರಾಫ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ಮಿಸಿ, ಗ್ರಾಫ್ ವೀಕ್ಷಣೆಯ ಹಂತ ಮತ್ತು ಬುದ್ಧಿವಂತ retrieval
ಅಧ್ಯಯನ ಗುರಿಗಳು
ಈ ಪಾಠವನ್ನು ಮುಗಿಸಿದ ಬಳಿಕ, ನೀವು ತಿಳಿಯಬಲ್ಲಿರಿ:
• ವಿವಿಧ ಪ್ರಕಾರದ AI ಏಜೆಂಟ್ ಮೆಮೊರಿಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು, workig, short-term ಮತ್ತು long-term ಮೆಮೊರಿ, ಜೊತೆಗೆ ವಿಶೇಷ ಪ್ರಕಾರಗಳಾದ persona ಮತ್ತು episodic ಮೆಮೊರಿ.
• AI ಏಜೆಂಟ್ಗಳಿಗಾಗಿ ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಜಾರಿಗೊಳಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು Microsoft Agent Framework ಬಳಸಿ, Mem0, Cognee, Whiteboard ಮೆಮೊರಿ ಸೇರಿದಂತೆ ಸಾಧನಗಳನ್ನು ಹೂಡಿಕೆ ಮಾಡಿ ಮತ್ತು Azure AI Search ಜೊತೆಗೆ ಸಮನ್ವಯಗೊಳಿಸುವುದು.
• ಸ್ವಯಂ ಸುಧಾರಣೆಯಾಗುವ AI ಏಜೆಂಟ್ಗಳ ತತ್ವಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳುವದು ಮತ್ತು ಬಲವಾದ ಮೆಮೊರಿ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರ ಕಲಿಕೆ ಮತ್ತು ಹೊಂದಿಕೆಗೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ ಎಂಬುದು.
AI ಏಜೆಂಟ್ ಮೆಮೊರಿಯ ಅರಿವು
ಮೂಲಭೂತವಾಗಿ, AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಎಂದರೆ ಅವರಿಗೆ ಮಾಹಿತಿ ನೆನಪಾಗಿಸುವ ಮತ್ತು ಮರೆಯದಂತೆ ಇರಿಸಿಕೊಳ್ಳುವ ವಿಧಾನಗಳು. ಈ ಮಾಹಿತಿ ಸಂಭಾಷಣೆಯ ನಿಖರ ವಿವರಗಳು, ಬಳಕೆದಾರರ ಇಷ್ಟಗಳು, ಹಿಂದಿನ ಕಾರ್ಯಗಳು ಅಥವಾ ಕಲಿತ ಮಾದರಿಗಳು ಇರಬಹುದು.
ಮೆಮೊರಿ ಇಲ್ಲದೇ, AI ಅಪ್ಲಿಕೇಶನ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಥಿತಿಸ್ತಿತಿಸಹಿತ (stateless) ಆಗಿರುತ್ತವೆ, ಅಂದರೆ ಪ್ರತಿ ಸಂವಾದವು ಆರಂಭದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಇದು ಪುನರಾವರ್ತಿತ ಮತ್ತು ಕಷ್ಟಕರ ಬಳಕೆದಾರ ಅನುಭವಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಏಜೆಂಟ್ ಹಿಂದಿನ ಸಂಧರ್ಭ ಅಥವಾ ಇಷ್ಟಗಳನ್ನು “ಮರೆತಿದ್ದಂತೆ” ಕಾಣುತ್ತದೆ.
ಮೆಮೊರಿ ಮಹತ್ವ ಏನು?
ಏಜೆಂಟ್ನ ಬುದ್ಧಿಮತ್ತೆ ಅದರ ಹಿಂದಿನ ಮಾಹಿತಿಯನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವ ಮತ್ತು ಬಳಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಆಳವಾಗಿ ಜೋಡಿಸಲಾಗಿದೆ. ಮೆಮೊರಿ ಏಜೆಂಟ್ಗಳನ್ನು ಈ ರೀತಿಯಾಗಿ ಮಾಡುವುದಕ್ಕೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ:
• ಪರಿಗಣಿಸುವುದು: ಹಿಂದಿನ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಫಲಿತಾಂಶಗಳಿಂದ ಕಲಿಯುವುದು.
• ಪರಸ್ಪರ ಕ್ರಿಯಾಶೀಲತೆ: ನಡೆಯುತ್ತಿರುವ ಸಂಭಾಷಣೆಯ ಸಂಧರ್ಭವನ್ನು ಕಾಪಾಡಿಕೊಂಡಿರುವುದು.
• ಪ್ರೋಚಾಕ್ಸಿವ್ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಾಶೀಲತೆ: ಐತಿಹಾಸಿಕ ಮಾಹಿತಿ ಆಧಾರದ ಮೇಲೆ ಅಗತ್ಯಗಳನ್ನು ನಿರೀಕ್ಷಿಸುವುದು ಅಥವಾ ಸೂಕ್ತವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು.
• ಸ್ವಾಯತ್ತತೆ: ಸಂಗ್ರಹಿಸಿದ ಜ್ಞಾನದಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯ ನಿರ್ವಹಿಸುವುದು.
ಮೆಮೊರಿ ಜಾರಿಗೊಳಿಸುವ ಉದ್ದೇಶವೇ ಏಜೆಂಟ್ಗಳನ್ನು ಹೆಚ್ಚು ನಂಬಿಗರವಾಗಿರಿಸುವುದು ಮತ್ತು ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುವುದು.
ಮೆಮೊರಿಯ ಪ್ರಕಾರಗಳು
ಕಾರ್ಯಮಸಭಾ ಮೆಮೊರಿ (Working Memory)
ಒಂದು ಏಜೆಂಟ್ ಒಂದು ನಿರಂತರ ಕಾರ್ಯ ಅಥವಾ ಆಲೋಚನಾ ಪ್ರಕ್ರಿಯೆ ಸಮಯದಲ್ಲಿ ಬಳಸುವ ತಾತ್ಕಾಲಿಕ ಪೇಪರ್ನಂತೆ ಇದನ್ನು ಭಾವಿಸಬಹುದು. ಮುಂದಿನ ಹೆಜ್ಜೆಗೆ ಬೇಕಾದ ತಕ್ಷಣದ ಮಾಹಿತಿಯನ್ನು ಇದು ಕಾಪಾಡಿದೆ.
AI ಏಜೆಂಟ್ಗಳಿಗೆ ಕಾರ್ಯಮಸಭಾ ಮೆಮೊರಿ ಸಂಭಾಷಣೆಯಿಂದ ಪ್ರಮುಖ ಮಾಹಿತಿಯನ್ನು ಹಿಡಿದುಕೊಳ್ಳುತ್ತದೆ, ಸಂಪೂರ್ಣ ಚಾಟ್ ಇತಿಹಾಸ ಬಹಳ ಉದ್ದವಾಗಿದ್ದರೂ ಅಥವಾ ಕಮ್ಮಿಯಿದ್ದರೂ ಹೋಯಿಂದ. ಅದು ಅಗತ್ಯ, ಪ್ರಸ್ತಾವನೆಗಳು, ನಿರ್ಧಾರಗಳು ಮತ್ತು ಕ್ರಮಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತದೆ.
ಕಾರ್ಯಮಸಭಾ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಪ್ರಯಾಣ ಬುಕ್ಕಿಂಗ್ ಏಜೆಂಟ್ನಲ್ಲಿ, ಕಾರ್ಯಮಸಭಾ ಮೆಮೊರಿ ಬಳಕೆದಾರನ ಪ್ರಸ್ತುತ ವಿನಂತಿಯನ್ನು ಹಿಡಿದುಕೊಳ್ಳಬಹುದು, ಉದಾಹರಣೆಗೆ “ನನಗೆ ಪ್ಯಾರಿಸ್ಗೆ ಪ್ರವಾಸ ಬುಕ್ ಮಾಡಬೇಕಿದೆ”. ಈ ನಿಖರ ಅಗತ್ಯವನ್ನು ಏಜೆಂಟ್ ತಕ್ಷಣದ ಸಂಧರ್ಭದಲ್ಲಿ ಹಿಡಿದುಕೊಳ್ಳುತ್ತದೆ.
ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿ
ಈ ಮೆಮೊರಿ ಒಬ್ಬ ಸಂವಾದ ಅಥವಾ ಸೆಷನ್ ಅವಧಿಗೆ ವಿಷಯವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಇದು ಪ್ರಸ್ತುತ ಸಂಭಾಷಣೆಯ ಸಂಧರ್ಭವಾಗಿದ್ದು, ಏಜೆಂಟ್ಿಗೆ ಹಿಂದಿನ ತಿರುವುಗಳನ್ನು ಉಲ್ಲೇಖಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.
Microsoft Agent Framework Python SDK ಮಾದರಿಗಳಲ್ಲಿ, ಇದು AgentSession, agent.create_session() ಮೂಲಕ ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ. ಸೆಷನ್ ಫ್ರೇಮ್ವರ್ಕ್ನ ನಿರ್ಮಿತ ಶಾರ್ಟ್-ಟರ್ಮ್ ಮೆಮೊರಿಯಾಗಿದೆ: ಅದು ಆ ಸೆಷನ್ ಬಳಸುತ್ತಿರುವಾಗ ಸಂಭಾಷಣೆಯ ಸಂಧರ್ಭವನ್ನು ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಇಡುವುದು, ಆದರೆ ಸೆಷನ್ ಮುಗಿದಾಗ ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್ ಮರುಪ್ರಾರಂಭವಾದಾಗ ಸಂಧರ್ಭ ಉಳಿಯುವುದಿಲ್ಲ. ಬಹುಶಃ ಡೇಟಾಬೇಸ್, ವೆಕ್ಟರ್ ಸೂಚಕ ಅಥವಾ ಇನ್ನೊಂದಿಷ್ಟು ಶಾಶ್ವತ ಸಂಗ್ರಹಣೆ ಮೂಲಕ ಸೆಷನ್ಗಿಂತ ಮೀರಿ ಉಳಿಯಬೇಕಾದ ಫ್ಯಾಕ್ಟ್ ಮತ್ತು ಇಷ್ಟಗಳಿಗೆ ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಉಪಯೋಗಿಸುವುದು.
ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಬಳಕೆದಾರನು “ಪ್ಯಾರಿಸ್ಗೆ ಫ್ಲೈಟ್ ಎಷ್ಟೆ?” ಎಂದು ಕೇಳಿದ ಮೇಲೆ “ಅಲ್ಲಿ ನಿರ್ವಹಣೆ ಹೇಗಿದೆ?” ಎಂದು ಕೇಳಿದರೆ, ಶಾರ್ಟ್ ಟರ್ಮ್ ಮೆಮೊರಿ ಏಜೆಂಟ್ಗೆ “ಅಲ್ಲಿ” ಎಂದರೆ “ಪ್ಯಾರಿಸ್” ಎಂಬುದು ಈ ಸಂಭಾಷಣೆಯೊಳಗೆ ಗೊತ್ತಾಗಿಸುವುದು.
ಲಾಂಗ್ ಟರ್ಮ್ ಮೆಮೊರಿ
ಇದು ಹಲವು ಸಂಭಾಷಣೆ ಅಥವಾ ಸೆಷನ್ ಗಳಲ್ಲಿ ಉಳಿಯುವ ಮಾಹಿತಿಯಾಗಿದೆ. ಇದು ಬಳಕೆದಾರರ ಇಷ್ಟಗಳು, ಐತಿಹಾಸಿಕ ಸಂವಹನಗಳು ಅಥವಾ ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ವೈಯಕ್ತೀಕರಣಕ್ಕೆ ಮಹತ್ವ ಹೊಂದಿದೆ.
ಲಾಂಗ್ ಟರ್ಮ್ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ “ಬೆನ್ ಸ್ಕೀಯಿಂಗ್ ಮತ್ತು ಬಾಹ್ಯ ಚಟುವಟಿಕೆಗಳನ್ನು ಇಷ್ಟಪಡುತ್ತಾನೆ, ಪರ್ವತದ ದೃಶ್ಯದಿಂದ ಕಾಫಿ ಕುಡಿಯಲು ಇಚ್ಛಿಸುತ್ತಾನೆ ಮತ್ತು ಹಳೆಯ ಗಾಯದಿಂದ ಗಂಭೀರ ಸ್ಕೀ ಲೈನ್ಗಳನ್ನು ತಪ್ಪಿಸಲು ಬಯಸುತ್ತಾನೆ” ಎಂದು ಸಂಗ್ರಹಿಸಬಹುದು. ಹಿಂದಿನ ಸಂವಹನಗಳಿಂದ ಕಲಿತ ಈ ಮಾಹಿತಿ ಭವಿಷ್ಯದ ಪ್ರವಾಸ ಯೋಜನೆಗಳಲ್ಲಿ highly ವೈಯಕ್ತೀಕರಿಸಿದ ಶಿಫಾರಸುಗಳನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ.
ಪರ್ಸೋನಾ ಮೆಮೊರಿ
ಈ ವಿಶೇಷ ಮೆಮೊರಿ ಪ್ರಕಾರ ಏಜೆಂಟ್ ತಮ್ಮದು ಅಥವಾ ತಮ್ಮ ಉದ್ದೇಶಿತ ಪಾತ್ರದ ಕುರಿತು ವಿವರಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ಸಂವಹನಗಳು ಹೆಚ್ಚು ಸಯೋಜಿತ ಮತ್ತು ಧ್ಯಾನಪೂರ್ವಕವಾಗಿರುತ್ತವೆ.
ಪರ್ಸೋನಾ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಪ್ರಯಾಣ ಏಜೆಂಟ್ “ನಿಪುಣ ಸ್ಕೀ ಯೋಜಕ” ಆಗಿರಬೇಕಾಗಿದ್ದರೆ, ಪರ್ಸೋನಾ ಮೆಮೊರಿ ಆ ಪಾತ್ರವನ್ನು ಬಲಪಡಿಸಬಹುದು, ಅದರಿಂದ ಏಜೆಂಟ್ ತನ್ನ ಉತ್ತರಗಳನ್ನು ನಿಪುಣ ವ್ಯಕ್ತಿಯ ಶೈಲಿಗೆ ಹೊಂದಿಸಿಕೊಳ್ಳುತ್ತದೆ.
ವರ್ಕ್ಫ್ಲೋ / ಅನುಕಥನಾತ್ಮಕ ಮೆಮೊರಿ (Episodic Memory)
ಈ ಮೆಮೊರಿ ಏಜೆಂಟ್ ಒಟ್ಟೂ ತೆಗೆದುಕೊಂಡ ಅಡಿಗೇಡು ಕ್ರಮಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲತೆಗಳೊಂದಿಗೆ. ಇದು ನಿರ್ದಿಷ್ಟ “ಎಪಿಸೋಡ್” ಅಥವಾ ಹಿಂದಿನ ಅನುಭವಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಏಜೆಂಟ್ ವಿಶೇಷ ಫ್ಲೈಟ್ ಬುಕ್ಕಿಂಗ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದಾಗ ಅದು ಲಭ್ಯತೆ ಇಲ್ಲದ ಕಾರಣ ವಿಫಲವಾಗಿದ್ದರೆ, ಎಪಿಸೋಡಿಕ್ ಮೆಮೊರಿ ಆ ವಿಫಲತೆಯನ್ನು ದಾಖಲಿಸಬಹುದು, ಇದು ನಂತರದ ಪ್ರಯತ್ನದಲ್ಲಿ ಬೇರೆಯ ಫ್ಲೈಟ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸುವುದು ಅಥವಾ ಬಳಕೆದಾರನಿಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ನೀಡುವಂತೆ ಸಹಾಯವಾಗುತ್ತದೆ.
ಏಂಟಿಟಿ ಮೆಮೊರಿ
ಸಂಭಾಷಣೆಗಳಿಂದ ನಿರ್ದಿಷ್ಟ ಏಂಟಿಟಿಗಳಿಗೆ (ಜನರು, ಸ್ಥಳಗಳು ಅಥವಾ ವಸ್ತುಗಳು) ಮತ್ತು ಘಟನೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆದು ನೆನಪಿಡುವುದು. ಇದು ಏಜೆಂಟ್ಗೆ ಮುಡ್ಡಿತ ವಿವರಗಳನ್ನು ಜ್ಞಾಪಿಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ.
ಏಂಟಿಟಿ ಮೆಮೊರಿಯ ಉದಾಹರಣೆ
ಹಿಂದಿನ ಪ್ರವಾಸದ ಬಗ್ಗೆ ಸಂಭಾಷಣೆಯಿಂದ, ಏಜೆಂಟ್ “ಪ್ಯಾರಿಸ್”, “ಐಫೆಲ್ ಟವರ್”, ಮತ್ತು “ಲೆ ಛಾಟ್ ನೊಯರ್ ರೆಸ್ಟೋರೆಂಟ್ನಲ್ಲಿ ಊಟ” ಎಂಬ ಏಂಟಿಟಿಗಳನ್ನು ಹೊರತೆಗೆದುಕೊಂಡು, ಭವಿಷ್ಯದ ಸಂವಹನದಲ್ಲಿ “ಲೆ ಛಾಟ್ ನೊಯರ್” ನೆನಪಿಸಿ ಹೊಸ ಬುಕ್ಕಿಂಗ್ ಮಾಡಲು ಸಹಾಯ ನೀಡಬಹುದು.
ಸಂರಚಿತ RAG (Retrieval Augmented Generation)
RAG ಒಂದು ವಿಸ್ತೃತ ತಂತ್ರವಾಗಿದೆ, ಆದರೆ “ಸಂರಚಿತ RAG” ಶಕ್ತಿ ಮಗ್ಗುವ ಮೆಮೊರಿ ತಂತ್ರಜ್ಞಾನವೆಂದಾಗಿ ಮನಗಂಡಿದೆ. ಇದು ವಿವಿಧ ಮೂಲಗಳಿಂದ (ಸಂಭಾಷಣೆ, ಇಮೇಲ್, ಚಿತ್ರಗಳು) ಸಂಕೀರ್ಣ ಮತ್ತು ಸಂರಚಿತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ ಮತ್ತು ಇದನ್ನು ನಿಖರತೆ, ಮೆಮರಿ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯ ವೇಗವನ್ನು ಹೆಚ್ಚಿಸಲು ಬಳಸುತ್ತದೆ. ಪಾರಂಪರಿಕ RAG ನಲ್ಲಿ ಸಮಾನಾರ್ಥಕತೆ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದು, ಸಂರಚಿತ RAG ಪ್ರವೃತ್ತಿಗಳಲ್ಲಿನ ಮಾಹಿತಿ ರಚನೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ.
ಸಂರಚಿತ RAG ಉದಾಹರಣೆ
ಕೀವರ್ಡ್ಗಳನ್ನು ಹೊಂದಿಕೊಳಿಸುವ ಬದಲು, ಸಂರಚಿತ RAG ಇಮೇಲ್ಗಳಿಂದ ಫ್ಲೈಟ್ ಮಾಹಿತಿ (ಗಮ್ಯಸ್ಥಾನ, ದಿನಾಂಕ, ಸಮಯ, ಗಾಳಿಪಟ) ವಿಶ್ಲೇಷಿಸಿ ಸಂರಚಿತವಾಗಿ ಸಂರಕ್ಷಿಸಬಹುದು. ಇದರಿಂದ “ನಾನು ಮಂಗಳವಾರ ಪ್ಯಾರಿಸ್ಗೆ ಯಾವ ಫ್ಲೈಟ್ ಬುಕ್ ಮಾಡಿದೆ?” ಎಂಬ ನಿಖರ ಪ್ರಶ್ನೆ ಕೇಳಬಹುದು.
ಮೆಮೊರಿ ಜಾರಿಗೊಳ್ಳುವುದು ಮತ್ತು ಸಂಗ್ರಹಿಸುವುದು
AI ಏಜೆಂಟ್ಗಳಿಗೆ ಮೆಮೊರಿ ಜಾರಿಗೊಳ್ಳುವುದು ಒಂದು ವಿನ್ಯಾಸಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಒಳಗೊಂಡಿದೆ, ಅದರಲ್ಲಿ ಘಟನೆಗಳು, ಸಂಗ್ರಹಣೆ, ಬಳಿಕಿಕೆ, ಏಕೀಕರಣ, ಅಪ್ಡೇಟ್ ಮತ್ತು ಇಲ್ಲಿ ತೀರಿಸುವಿಕೆ (ಅಥವಾ ಅಳಿಸುವಿಕೆ) ದಾಖಲಾತಿಗಳಿರುತ್ತವೆ. ಮಾಹಿತಿಯನ್ನು ಕೂಡಿಯುವಿಕೆ ವಿಶೇಷವಾಗಿ ಮಹತ್ವಪೂರ್ಣ.
ವಿಶೇಷಗೊಳಿಸಲಾದ ಮೆಮೊರಿ ಸಾಧನಗಳು
Mem0
ಏಜೆಂಟ್ ಮೆಮೊರಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು Mem0 ಎಂಬ ವಿಶೇಷ ಸಾಧನ ಬಳಸಬಹುದು. Mem0 ಸ್ಮರಣ ಶ್ರೇಣಿ ಸ್ಥರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿ, ಏಜೆಂಟ್ಗೆ ಸಂಬಂಧಿಸಿದ ಸಂವಾದ, ಬಳಕೆದಾರರ ಇಷ್ಟಗಳು ಮತ್ತು ಸತ್ಯಾಂಶ ಪರಿಪಾಠಗಳನ್ನು ನೆನಪಾಗಿಸಬಹುದು ಮತ್ತು ಯಶಸ್ಸು ಮತ್ತು ವಿಫಲತೆಗಳಿಂದ ಕಲಿತಂತೆ ಬೆಳೆಯಬಹುದು. ಯೋಚನೆ ಎಂದರೆ ಸ್ಥಿತಿಸ್ತಿತಿಪ್ರಾಯ ಏಜೆಂಟ್ಗಳು ಸ್ಥಿತಿಯಾಗಿದೆ.
ಇದು ಎರಡು ಹಂತದ ಮೆಮೊರಿ ಪೈಪ್ಲೈನ್: ಹೊರತೆಗೆದು ಮತ್ತು ಅಪ್ಡೇಟು ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಮೊದಲು, ಏಜೆಂಟ್ ಥ್ರೆಡ್ಗೆ ಬರೆಯಲ್ಪಟ್ಟ ಸಂದೇಶಗಳು Mem0 ಸೇವೆಗೆ ಕಳುಹಿಸಲ್ಪಡುತ್ತವೆ, ಅದು LLM (ಲಾರ್ಜ್ ಲ್ಯಾಂಗುಯೇಜ್ ಮೋಡುಲ್) ಬಳಸಿ ಸಂಭಾಷಣಾ ಇತಿಹಾಸವನ್ನು ಸಾರಾಂಶಕ್ಕೂ, ಹೊಸ ಮೆಮೊರಿಗಳನ್ನು ಹೊರತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಬಳಿಕ, LLM ಚಾಲಿತ ಅಪ್ಡೇಟು ಹಂತವು ಈ ಮೆಮೊರಿಗಳನ್ನು ಸೇರಿಸುವುದಾ, ಬದಲಿಸುವುದಾ ಅಥವಾ ಅಳಿಸುವುದಾ ಎಂದು ನಿರ್ಧರಿಸಿ, ಹೈಬ್ರಿಡ್ನ ಡೇಟಾ ಸ್ಟೋರ್ಗಳಾದ ವೆಕ್ಟರ್, ಗ್ರಾಫ್, ಮತ್ತು ಕೀ-ವ್ಯಾಲು ಡೇಟಾಬೇಸ್ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಇದು ವಿವಿಧ ಮೆಮೊರಿ ಪ್ರಕಾರಗಳಿಗೂ ಬೆಂಬಲ ನೀಡುತ್ತದೆ ಮತ್ತು ಏಂಟಿಟಿಗಳ ನಡುವಿನ ಸಂಬಂಧದ ನಿರ್ವಹಣೆಗೆ ಗ್ರಾಫ್ ಮೆಮೊರಿ ಒಳಗೊಂಡಿದೆ.
Cognee
ಮತ್ತೊಂದು ಶಕ್ತಿಶಾಲಿ ವಿಧಾನವೆಂದರೆ Cognee ಬಳಕೆ, ಇದು ಓಪನ್ ಸೋರ್ಸ್ ಸಿಮೆಂಟಿಕ್ ಮೆಮೊರಿ, ಸ್ವರೂಪಿತ ಮತ್ತು ಅಸ್ವರೂಪಿತ ಡೇಟಾವನ್ನು ಪ್ರಶ್ನಿಸಬಹುದಾದ ಜ್ಞಾನ ಗ್ರಾಫ್ಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. Cognee ಎರಡು-ಸ್ಟೋರ್ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ವೆಕ್ಟರ್ ಸಾದೃಶ್ಯ ಹುಡುಕಾಟ ಮತ್ತು ಗ್ರಾಫ್ ಸಂಬಂಧಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಏಜೆಂಟ್ ಗಳು ಮಾಹಿತಿ ಯಾವ ರೀತಿಯಾಗಿ ಸಂಬಂಧ ಪಟ್ಟಿವೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಮಾಡುತ್ತದೆ.
ಇದು ರಾ ಚಂಕ್ ಹುಡುಕಾಟದಿಂದ ಗ್ರಾಫ್ ಅರಿವು ಪ್ರಶ್ನೋತ್ತರಕ್ಕೆ ತಲುಪುವ ಸಂಯೋಜಿತ retrieval ಗೆ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿದೆ. ಸಿಸ್ಟಂ ಸಜೀವ ಮೆಮೊರಿ ನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ಬೆಳೆಯುತ್ತಾ, ವೃದ್ಧಿಯಾಗುತ್ತಾ, ಒಂದೇ ಸಂಪರ್ಕಿತ ಗ್ರಾಫ್ ಆಗಿ ಉಳಿಯುತ್ತಾ, ಶಾರ್ಟ್-ಟರ್ಮ್ ಮತ್ತು ಲಾಂಗ್-ಟರ್ಮ್ ಮೆಮೊರಿ ಎರಡನ್ನೂ ಬೆಂಬಲಿಸುತ್ತದೆ.
Cognee ನೋಟ್ಬುಕ್ ಟ್ಯುಟೋರಿಯಲ್ (13-agent-memory-cognee.ipynb) ಈ ಏಕೀಕೃತ ಮೆಮೊರಿ ನೆಲೆಯನ್ನು ನಿರ್ಮಿಸುವುದರ ಮೂಲಕ, ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಒಳಗೊಂಡು, ಜ್ಞಾನ ಗ್ರಾಫ್ನ ವೀಕ್ಷಣೆ ಮತ್ತು ವಿಭಿನ್ನ ಹುಡುಕಾಟ ತಂತ್ರಗಳೊಡನೆ AI ಏಜೆಂಟ್ ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ವಿಧಾನಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
RAG ಬಳಸಿ ಮೆಮೊರಿ ಸಂಗ್ರಹಿಸುವುದು
Mem0 ಹಾಗು Cognee ಮೊದಲಾದ ವಿಶೇಷಗೊಳಿಸಲಾದ ಮೆಮೊರಿ ಸಾಧನಗಳ ಹೊರತಾಗಿ, ನೀವು ಶಕ್ತಿಶಾಲಿ ಹುಡುಕಾಟ ಸೇವೆಗಳಾದ Azure AI Search ನ್ನು ಬ್ಯಾಕೆಂಡ್ ಗಾಗಿ ಬಳಸಿ ಮೆಮೊರಿಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಹಿಂಬಳಕೆ ಮಾಡಲು ಸಾಧ್ಯವಿದೆ, ವಿಶೇಷವಾಗಿ ಸಂರಚಿತ RAG ಗಾಗಿ.
ಇದರಿಂದ ನಿಮ್ಮ ಏಜೆಂಟ್ ಪ್ರತ್ಯುತ್ತರಗಳನ್ನು ನಿಮ್ಮದೇ ಡೇಟಾದೊಂದಿಗೆ ನೋಡುತ, ಸಂಬಂಧಿಸಿದ ಮತ್ತು ಸಮಗ್ರವಾದ ಉತ್ತರಗಳನ್ನು ಒದಗಿಸಲು ಸಹಾಯವಾಗುತ್ತದೆ. Azure AI Search ಬಳಸಿ ಬಳಕೆದಾರನ ವೈಯಕ್ತಿಕ ಪ್ರವಾಸ ಮೆಮೊರಿ, ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ಗಳು ಅಥವಾ ಯಾವುದೇ ಕ್ಷೇತ್ರ-ನಿಷ್ಠ ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು.
Azure AI Search ಸಂರಚಿತ RAG ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಇದು ಸಂವಾದ ಇತಿಹಾಸ, ಇಮೇಲ್ ಅಥವಾ ಇಮೇಜ್ಗಳಂತಹ ದಟ್ಟ, ಸಂರಚಿತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಹಿಂಬಳಕೆ ಮಾಡಲು ಚುತನವಾಗಿದ್ದು, ಪಾರಂಪರಿಕ ಪಠ್ಯ ಚಂಕಿಂಗ್ ಮತ್ತು ಎಂಬೆಡ್ಡಿಂಗ್ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರತೆ ಮತ್ತು ಮೆಮರಿಗೆ ಸಾಧ್ಯವಿದೆ.
AI ಏಜೆಂಟ್ಗಳನ್ನು ಸ್ವಯಂ ಸುಧಾರಣೆಯಾಗುವಂತೆ ಮಾಡುವುದು
ಸ್ವಯಂ ಸುಧಾರಣೆಯಾಗುವ ಏಜೆಂಟ್ಗಳ ಸಾಮಾನ್ಯ ಮಾದರಿ ಯುಕ್ತಿಯಾಗಿದೆ “ಜ್ಞಾನ ಏಜೆಂಟ್” ಪರಿಚಯಿಸುವುದು. ಈ ವಿಭಿನ್ನ ಏಜೆಂಟ್ ಬಳಕೆದಾರ ಮತ್ತು ಪ್ರಾಥಮಿಕ ಏಜೆಂಟ್ ನಡುವಿನ ಮುಖ್ಯ ಸಂಭಾಷಣೆಯನ್ನು ಗಮನಿಸುತ್ತದೆ. ಅದರ ಕಾರ್ಯವು:
-
ಮೌಲ್ಯದ ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸುವುದು: ಸಂಭಾಷಣೆಯ ಯಾವುದಾದರೂ ಭಾಗವನ್ನು ಸಾಮಾನ್ಯ ಜ್ಞಾನ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರ ಇಷ್ಟವಾಗಿ ಉಳಿಸುವ ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ನಿಗದಿಪಡಿಸುವುದು.
-
ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು ಸಾರಾಂಶ: ಸಂಭಾಷಣೆಯಿಂದ ಮುಖ್ಯ ಕಲಿಕಾಾಂಶ ಅಥವಾ ಇಷ್ಟವನ್ನು ಸಂಗ್ರಹಿಸುವುದು.
-
ಜ್ಞಾನಾಧಾರದಲ್ಲಿ ಸಂಗ್ರಹಿಸುವುದು: ಈ ಹೊರತೆಗೆಯಲಾದ ಮಾಹಿತಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಶಾಶ್ವತಗೊಳಿಸುವುದು.
-
ಭವಿಷ್ಯ ಪ್ರಶ್ನೆಗಳಿಗೆ ವಿಸ್ತರಣೆ: ಬಳಕೆದಾರನು ಹೊಸ ಪ್ರಶ್ನೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿದಾಗ, ಜ್ಞಾನ ಏಜೆಂಟ್ ಸಂಬಂಧಿಸಿದ ಸಂಗ್ರಹಿತ ಮಾಹಿತಿಯನ್ನು ಪಡೆದೊಯ್ಯುತ್ತಾ, ಬಳಕೆದಾರನ ಪ್ರಾಂಪ್ಟ್ಗೆ ಸೇರಿಸಿ, ಪ್ರಾಥಮಿಕ ಏಜೆಂಟ್ಗೆ ಅನಿವಾರ್ಯ ಸಂಧಾನ ಒದಗಿಸುತ್ತದೆ (RAG ಪ್ರಕಾರ).
ಮೆಮೊರಿ ಗಾಗಿ ತ್ವರಿತತೆಗಳ
• ತಡೆಗಟ್ಟುವಿಕೆ ನಿರ್ವಹಣೆ: ಬಳಕೆದಾರರ ಸಂವಹನ ತಡವದೆ ಇರಿಸಲು, ಮೊದಲಿಗೆ ದುಬಾರಿ ಇಲ್ಲಾ ವೇಗವಾದ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ, ಮಾಹಿತಿಯನ್ನು ಉಳಿಸುವುದು ಅಥವಾ ಪಡೆಯುವುದು ಸೂಕ್ತವೆಂದರೆ ಮಾತ್ರ ಹೆಚ್ಚಿನ ಸಂಕ್ಷಿಪ್ತ/ಪರಿಷ್ಕೃತ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಕರೆಸಿಕೊಳ್ಳುವುದು.
• ಜ್ಞಾನಾಧಾರದ ನಿರ್ವಹಣೆ: ಬೆಳೆಯುತ್ತಿರುವ ಜ್ಞಾನಾಧಾರಕ್ಕೆ, ಕಡಿಮೆ ಬಳಸುವ ಮಾಹಿತಿ “ಕೋಲ್ಡ್ ಸ್ಟೋರೇಜ್”ಗೆ ಕರೆದೊಯ್ಯುವ ಮೂಲಕ ವೆಚ್ಚ ನಿರ್ವಹಣೆ.
ಏಜೆಂಟ್ ಮೆಮೊರಿಯ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ?
ಇತರ ಕಲಿಯುವವರೊಂದಿಗೆ ಭೇಟಿಯಾಗಲು, ಕಚೇರಿ ಸಮಯಗಳಲ್ಲಿ ಭಾಗವಹಿಸಲು ಮತ್ತು ನಿಮ್ಮ AI ಏಜೆಂಟ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಪಡೆಯಲು Microsoft Foundry Discord ಗೆ ಸೇರಿಕೊಳ್ಳಿ.
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.