Tunapozungumzia faida za kipekee za kuunda Mawakala wa AI, mambo mawili yanajadiliwa sana: uwezo wa kutumia zana kukamilisha majukumu na uwezo wa kuboresha kwa muda. Kumbukumbu ni msingi wa kuunda wakala anayejiboresha mwenyewe ili kutoa uzoefu bora kwa watumiaji wetu.
Katika somo hili, tutachunguza kumbukumbu ni nini kwa Mawakala wa AI na jinsi tunavyoweza kuisimamia na kuitumia kwa manufaa ya programu zetu.
Somo hili litashughulikia:
• Kuelewa Kumbukumbu ya Mawakala wa AI: Kumbukumbu ni nini na kwa nini ni muhimu kwa mawakala.
• Kutekeleza na Kuhifadhi Kumbukumbu: Mbinu za vitendo za kuongeza uwezo wa kumbukumbu kwa mawakala wako wa AI, kwa kuzingatia kumbukumbu ya muda mfupi na ya muda mrefu.
• Kufanya Mawakala wa AI Kujiboresha: Jinsi kumbukumbu inavyowezesha mawakala kujifunza kutokana na mwingiliano wa zamani na kuboresha kwa muda.
Baada ya kukamilisha somo hili, utajua jinsi ya:
• Kutofautisha aina mbalimbali za kumbukumbu za mawakala wa AI, ikiwa ni pamoja na kumbukumbu ya kazi, ya muda mfupi, na ya muda mrefu, pamoja na aina maalum kama kumbukumbu ya tabia na ya matukio.
• Kutekeleza na kusimamia kumbukumbu ya muda mfupi na ya muda mrefu kwa mawakala wa AI kwa kutumia mfumo wa Semantic Kernel, ukitumia zana kama Mem0 na kumbukumbu ya Whiteboard, na kuunganisha na Azure AI Search.
• Kuelewa kanuni za mawakala wa AI wanaojiboresha na jinsi mifumo thabiti ya usimamizi wa kumbukumbu inavyosaidia kujifunza na kubadilika kwa kuendelea.
Kwa msingi wake, kumbukumbu kwa mawakala wa AI inahusu mifumo inayowawezesha kuhifadhi na kukumbuka taarifa. Taarifa hizi zinaweza kuwa maelezo maalum kuhusu mazungumzo, mapendeleo ya mtumiaji, vitendo vya zamani, au hata mifumo iliyojifunza.
Bila kumbukumbu, programu za AI mara nyingi hazina hali ya kudumu, ikimaanisha kila mwingiliano huanza upya. Hii husababisha uzoefu wa mtumiaji unaorudiwa na wa kukatisha tamaa ambapo wakala “anasahau” muktadha au mapendeleo ya awali.
Uwezo wa wakala kuwa na akili unategemea sana uwezo wake wa kukumbuka na kutumia taarifa za zamani. Kumbukumbu inawawezesha mawakala kuwa:
• Wenye kutafakari: Kujifunza kutokana na vitendo na matokeo ya zamani.
• Wenye kuingiliana: Kudumisha muktadha katika mazungumzo yanayoendelea.
• Wenye kutabiri na kujibu: Kutambua mahitaji au kujibu ipasavyo kulingana na data ya kihistoria.
• Wenye kujitegemea: Kufanya kazi kwa uhuru zaidi kwa kutumia maarifa yaliyohifadhiwa.
Lengo la kutekeleza kumbukumbu ni kufanya mawakala kuwa wa kuaminika na wenye uwezo zaidi.
Fikiria hii kama karatasi ya maandishi ambayo wakala hutumia wakati wa kazi moja au mchakato wa mawazo unaoendelea. Inashikilia taarifa za haraka zinazohitajika kuhesabu hatua inayofuata.
Kwa mawakala wa AI, kumbukumbu ya kazi mara nyingi huchukua taarifa muhimu zaidi kutoka kwa mazungumzo, hata kama historia ya mazungumzo ni ndefu au imefupishwa. Inazingatia kutoa vipengele muhimu kama mahitaji, mapendekezo, maamuzi, na vitendo.
Mfano wa Kumbukumbu ya Kazi
Katika wakala wa uhifadhi wa safari, kumbukumbu ya kazi inaweza kushika ombi la sasa la mtumiaji, kama “Nataka kuhifadhi safari kwenda Paris”. Mahitaji haya maalum yanashikiliwa katika muktadha wa haraka wa wakala ili kuongoza mwingiliano wa sasa.
Aina hii ya kumbukumbu huhifadhi taarifa kwa muda wa mazungumzo au kikao kimoja. Ni muktadha wa mazungumzo ya sasa, unaomruhusu wakala kurejelea mizunguko ya awali ya mazungumzo.
Mfano wa Kumbukumbu ya Muda Mfupi
Ikiwa mtumiaji anauliza, “Safari ya kwenda Paris itagharimu kiasi gani?” na kisha kufuatilia na “Je, kuhusu malazi huko?”, kumbukumbu ya muda mfupi inahakikisha wakala anajua “huko” inahusu “Paris” ndani ya mazungumzo hayo hayo.
Hii ni taarifa inayodumu katika mazungumzo au vikao vingi. Inawawezesha mawakala kukumbuka mapendeleo ya mtumiaji, mwingiliano wa kihistoria, au maarifa ya jumla kwa muda mrefu. Hii ni muhimu kwa ubinafsishaji.
Mfano wa Kumbukumbu ya Muda Mrefu
Kumbukumbu ya muda mrefu inaweza kuhifadhi kwamba “Ben anapenda skiing na shughuli za nje, anapenda kahawa na mandhari ya mlima, na anataka kuepuka miteremko ya skiing ya hali ya juu kutokana na jeraha la zamani”. Taarifa hii, iliyojifunza kutoka kwa mwingiliano wa awali, inaathiri mapendekezo katika vikao vya kupanga safari vya baadaye, na kuyafanya kuwa ya kibinafsi sana.
Aina hii maalum ya kumbukumbu husaidia wakala kuendeleza “tabia” au “nafasi” thabiti. Inamruhusu wakala kukumbuka maelezo kuhusu yeye mwenyewe au jukumu lake lililokusudiwa, na kufanya mwingiliano kuwa laini na wenye mwelekeo.
Mfano wa Kumbukumbu ya Tabia
Ikiwa wakala wa safari ameundwa kuwa “mtaalamu wa kupanga safari za skiing,” kumbukumbu ya tabia inaweza kuimarisha jukumu hili, na kuathiri majibu yake ili yaendane na sauti na maarifa ya mtaalamu.
Kumbukumbu hii huhifadhi mlolongo wa hatua ambazo wakala huchukua wakati wa kazi ngumu, ikiwa ni pamoja na mafanikio na kushindwa. Ni kama kukumbuka “matukio” maalum au uzoefu wa zamani ili kujifunza kutoka kwao.
Mfano wa Kumbukumbu ya Matukio
Ikiwa wakala alijaribu kuhifadhi safari maalum lakini ilishindikana kutokana na kutokuwepo, kumbukumbu ya matukio inaweza kurekodi kushindwa huku, na kumruhusu wakala kujaribu safari mbadala au kumjulisha mtumiaji kuhusu tatizo kwa njia iliyo na taarifa zaidi wakati wa jaribio la baadaye.
Hii inahusisha kutoa na kukumbuka viumbe maalum (kama watu, maeneo, au vitu) na matukio kutoka kwa mazungumzo. Inamruhusu wakala kujenga uelewa ulio na muundo wa vipengele muhimu vilivyojadiliwa.
Mfano wa Kumbukumbu ya Viumbe
Kutoka kwa mazungumzo kuhusu safari ya zamani, wakala anaweza kutoa “Paris,” “Mnara wa Eiffel,” na “chakula cha jioni katika mgahawa wa Le Chat Noir” kama viumbe. Katika mwingiliano wa baadaye, wakala anaweza kukumbuka “Le Chat Noir” na kutoa kuhifadhi tena huko.
Wakati RAG ni mbinu pana, “RAG Iliyopangiliwa” inasisitizwa kama teknolojia yenye nguvu ya kumbukumbu. Inatoa taarifa yenye muundo mzito kutoka kwa vyanzo mbalimbali (mazungumzo, barua pepe, picha) na kuitumia kuboresha usahihi, kumbukumbu, na kasi ya majibu. Tofauti na RAG ya kawaida inayotegemea tu kufanana kwa semantiki, RAG Iliyopangiliwa inafanya kazi na muundo wa asili wa taarifa.
Mfano wa RAG Iliyopangiliwa
Badala ya kulinganisha tu maneno muhimu, RAG Iliyopangiliwa inaweza kuchambua maelezo ya safari (mahali, tarehe, muda, shirika la ndege) kutoka kwa barua pepe na kuyahifadhi kwa njia iliyo na muundo. Hii inaruhusu maswali sahihi kama “Ni safari gani niliyohifadhi kwenda Paris siku ya Jumanne?”
Kutekeleza kumbukumbu kwa mawakala wa AI kunahusisha mchakato wa kimfumo wa usimamizi wa kumbukumbu, ambao unajumuisha kuzalisha, kuhifadhi, kurejesha, kuunganisha, kusasisha, na hata “kusahau” (au kufuta) taarifa. Urejeshaji ni kipengele muhimu hasa.
Njia moja ya kuhifadhi na kusimamia kumbukumbu ya wakala ni kutumia zana maalum kama Mem0. Mem0 inafanya kazi kama safu ya kumbukumbu ya kudumu, ikiruhusu mawakala kukumbuka mwingiliano muhimu, kuhifadhi mapendeleo ya mtumiaji na muktadha wa ukweli, na kujifunza kutokana na mafanikio na kushindwa kwa muda. Wazo hapa ni kwamba mawakala wasio na hali ya kudumu hubadilika kuwa wenye hali ya kudumu.
Inafanya kazi kupitia mchakato wa awamu mbili wa kumbukumbu: uchimbaji na sasisho. Kwanza, ujumbe unaoongezwa kwenye mfululizo wa wakala hutumwa kwa huduma ya Mem0, ambayo hutumia Large Language Model (LLM) kufupisha historia ya mazungumzo na kutoa kumbukumbu mpya. Hatimaye, awamu ya sasisho inayotegemea LLM huamua ikiwa kuongeza, kurekebisha, au kufuta kumbukumbu hizi, na kuzihifadhi katika hifadhi ya data mseto inayoweza kujumuisha vector, grafu, na hifadhidata za thamani muhimu. Mfumo huu pia unasaidia aina mbalimbali za kumbukumbu na unaweza kujumuisha kumbukumbu ya grafu kwa kusimamia uhusiano kati ya viumbe.
Zaidi ya zana maalum za kumbukumbu kama Mem0, unaweza kutumia huduma za utafutaji thabiti kama Azure AI Search kama sehemu ya nyuma ya kuhifadhi na kurejesha kumbukumbu, hasa kwa RAG Iliyopangiliwa.
Hii inakuwezesha kuimarisha majibu ya wakala wako kwa data yako mwenyewe, kuhakikisha majibu yanayofaa zaidi na sahihi. Azure AI Search inaweza kutumika kuhifadhi kumbukumbu za safari za mtumiaji, katalogi za bidhaa, au maarifa yoyote maalum ya kikoa.
Azure AI Search inasaidia uwezo kama RAG Iliyopangiliwa, ambayo ni bora katika kutoa na kurejesha taarifa yenye muundo mzito kutoka kwa seti kubwa za data kama historia ya mazungumzo, barua pepe, au hata picha. Hii hutoa “usahihi na kumbukumbu ya kibinadamu” ikilinganishwa na mbinu za kawaida za kugawanya maandishi na kuingiza.
Mfumo wa kawaida kwa mawakala wanaojiboresha unahusisha kuanzisha “wakala wa maarifa”. Wakala huyu tofauti huangalia mazungumzo kuu kati ya mtumiaji na wakala mkuu. Jukumu lake ni:
Kutambua taarifa muhimu: Kuamua ikiwa sehemu yoyote ya mazungumzo inafaa kuhifadhi kama maarifa ya jumla au mapendeleo maalum ya mtumiaji.
Kutoa na kufupisha: Kuchambua maarifa muhimu au mapendeleo kutoka kwa mazungumzo.
Kuhifadhi katika hifadhidata ya maarifa: Kuhifadhi taarifa iliyotolewa, mara nyingi katika hifadhidata ya vector, ili iweze kurejeshwa baadaye.
Kuongeza maswali ya baadaye: Wakati mtumiaji anaanzisha swali jipya, wakala wa maarifa hurejesha taarifa husika iliyohifadhiwa na kuiongeza kwenye ombi la mtumiaji, ikitoa muktadha muhimu kwa wakala mkuu (sawa na RAG).
• Usimamizi wa Muda wa Kujibu: Ili kuepuka kuchelewesha mwingiliano wa mtumiaji, modeli ya bei nafuu na ya haraka inaweza kutumika awali kuangalia haraka ikiwa taarifa ni muhimu kuhifadhi au kurejesha, na kutumia mchakato wa uchimbaji/urejeshaji wa hali ya juu tu inapohitajika.
• Matengenezo ya Hifadhidata ya Maarifa: Kwa hifadhidata ya maarifa inayokua, taarifa zinazotumika mara chache zinaweza kuhamishwa kwenye “hifadhi baridi” ili kudhibiti gharama.
Jiunge na Azure AI Foundry Discord ili kukutana na wanafunzi wengine, kuhudhuria masaa ya ofisi, na kupata majibu ya maswali yako kuhusu Mawakala wa AI.
Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.