AI முகவர்களை உருவாக்குவதன் தனித்துவமான நன்மைகள் குறித்து பேசும்போது, இரண்டு விஷயங்கள் முக்கியமாக பேசப்படுகின்றன: பணிகளை முடிக்க கருவிகளை அழைக்கும் திறன் மற்றும் காலப்போக்கில் மேம்படுவதற்கான திறன். நினைவகம் என்பது நமது பயனர்களுக்கு சிறந்த அனுபவங்களை உருவாக்கும் தன்னம்பிக்கை முகவர்களை உருவாக்குவதற்கான அடிப்படை அம்சமாகும்.
இந்த பாடத்தில், AI முகவர்களுக்கு நினைவகம் என்றால் என்ன, அதை எவ்வாறு நிர்வகிக்கலாம் மற்றும் எவ்வாறு நமது பயன்பாடுகளுக்காக அதைப் பயன்படுத்தலாம் என்பதைப் பார்ப்போம்.
இந்த பாடத்தில் நீங்கள் கற்றுக்கொள்ளப்போகிறீர்கள்:
• AI முகவர் நினைவகத்தைப் புரிந்துகொள்வது: நினைவகம் என்றால் என்ன, அது முகவர்களுக்கு ஏன் அவசியம்.
• நினைவகத்தை செயல்படுத்துதல் மற்றும் சேமித்தல்: குறுகிய கால மற்றும் நீண்ட கால நினைவகத்தை மையமாகக் கொண்டு உங்கள் AI முகவர்களுக்கு நினைவக திறன்களைச் சேர்க்கும் நடைமுறை முறைகள்.
• AI முகவர்களை தன்னம்பிக்கையுடன் மேம்படுத்துதல்: கடந்த தொடர்புகளிலிருந்து கற்றுக்கொண்டு காலப்போக்கில் மேம்பட நினைவகம் எவ்வாறு உதவுகிறது.
இந்த பாடத்தை முடித்த பிறகு, நீங்கள் அறிந்துகொள்வீர்கள்:
• AI முகவர் நினைவகத்தின் பல்வேறு வகைகளை வேறுபடுத்துதல், வேலை நினைவகம், குறுகிய கால நினைவகம், நீண்ட கால நினைவகம் மற்றும் தனிப்பட்ட வடிவங்கள் போன்றவை.
• AI முகவர்களுக்கு குறுகிய கால மற்றும் நீண்ட கால நினைவகத்தை செயல்படுத்துதல் மற்றும் நிர்வகித்தல் Semantic Kernel கட்டமைப்பைப் பயன்படுத்தி, Mem0 மற்றும் Whiteboard நினைவகம் போன்ற கருவிகளைப் பயன்படுத்தி, Azure AI Search உடன் ஒருங்கிணைத்து.
• தன்னம்பிக்கையுடன் மேம்படும் AI முகவர்களின் அடிப்படைக் கொள்கைகளைப் புரிந்துகொள்வது மற்றும் தொடர்ச்சியான கற்றல் மற்றும் தழுவலுக்கு வலுவான நினைவக மேலாண்மை அமைப்புகள் எவ்வாறு பங்களிக்கின்றன.
அதன் மையத்தில், AI முகவர்களுக்கான நினைவகம் என்பது தகவல்களை நினைவில் வைத்துக்கொள்வதற்கும் மீண்டும் நினைவூட்டுவதற்கும் அவற்றை அனுமதிக்கும் முறைமைகள் ஆகும். இந்த தகவல் உரையாடல், பயனர் விருப்பங்கள், கடந்த செயல்கள் அல்லது கற்றுக்கொண்ட மாதிரிகள் பற்றிய குறிப்புகள் போன்றவை இருக்கலாம்.
நினைவகம் இல்லாமல், AI பயன்பாடுகள் பெரும்பாலும் நிலையற்றதாக இருக்கும், அதாவது ஒவ்வொரு தொடர்பும் புதிதாக தொடங்கும். இது முகவர் முந்தைய சூழல் அல்லது விருப்பங்களை “மறந்துவிடும்” ஒரு மீண்டும் மீண்டும் வரும் மற்றும் சிரமமான பயனர் அனுபவத்தை ஏற்படுத்துகிறது.
ஒரு முகவரின் நுண்ணறிவு அதன் முந்தைய தகவல்களை நினைவூட்டும் மற்றும் பயன்படுத்தும் திறனுடன் ஆழமாக இணைக்கப்பட்டுள்ளது. நினைவகம் முகவர்களை பின்வரும் வகைகளில் மாற்றுகிறது:
• தன்னிலைப் பிரதிபலிப்பு: முந்தைய செயல்கள் மற்றும் முடிவுகளிலிருந்து கற்றுக்கொள்வது.
• உரையாடல் தொடர்ச்சி: தொடர்ச்சியான உரையாடலின் போது சூழ்நிலையை பராமரித்தல்.
• முன்கூட்டியே செயல்படுதல் மற்றும் எதிர்வினை: வரலாற்று தரவின் அடிப்படையில் தேவைகளை முன்னறிவிப்பது அல்லது சரியாக பதிலளிப்பது.
• தன்னம்பிக்கை: சேமிக்கப்பட்ட அறிவைப் பயன்படுத்தி சுயாதீனமாக செயல்படுதல்.
நினைவகத்தை செயல்படுத்துவதன் நோக்கம் முகவர்களை நம்பகமான மற்றும் திறமையானதாக மாற்றுவதாகும்.
இதை ஒரு முகவர் ஒரு ஒற்றை, தொடர்ச்சியான பணியோ அல்லது சிந்தனை செயல்முறையோ செய்யும் போது பயன்படுத்தும் ஒரு தற்காலிக காகிதம் என்று நினைக்கலாம். இது அடுத்த படியை கணக்கிட உடனடியாக தேவையான தகவல்களை வைத்திருக்கும்.
AI முகவர்களுக்கு, வேலை நினைவகம் பெரும்பாலும் ஒரு உரையாடலின் மிக முக்கியமான தகவல்களைப் பிடிக்கிறது, முழு உரையாடல் வரலாறு நீண்டதாக இருந்தாலும் அல்லது குறைக்கப்பட்டிருந்தாலும். இது தேவைகள், பரிந்துரைகள், முடிவுகள் மற்றும் செயல்கள் போன்ற முக்கிய கூறுகளை எடுத்துக்காட்டுகிறது.
வேலை நினைவக உதாரணம்
ஒரு பயண முன்பதிவு முகவரில், வேலை நினைவகம் பயனரின் தற்போதைய கோரிக்கையைப் பிடிக்கலாம், உதாரணமாக “நான் பாரிசுக்கு ஒரு பயணத்தை முன்பதிவு செய்ய விரும்புகிறேன்”. இந்த குறிப்பிட்ட தேவையை முகவர் உடனடி சூழ்நிலையில் வைத்துக்கொண்டு தற்போதைய தொடர்பை வழிநடத்துகிறது.
இந்த நினைவகம் ஒரு ஒற்றை உரையாடல் அல்லது அமர்வின் காலத்திற்கு தகவல்களை வைத்திருக்கும். இது தற்போதைய உரையாடலின் சூழ்நிலையாகும், இது உரையாடலின் முந்தைய திருப்பங்களை முகவர் மீண்டும் குறிப்பிட அனுமதிக்கிறது.
குறுகிய கால நினைவக உதாரணம்
ஒரு பயனர், “பாரிசுக்கு ஒரு விமானம் எவ்வளவு செலவாகும்?” என்று கேட்கிறார், பின்னர் “அங்கு தங்குமிடம் பற்றி என்ன?” என்று தொடர்கிறார் என்றால், குறுகிய கால நினைவகம் “அங்கு” என்பது “பாரிஸ்” என்பதை உறுதிப்படுத்துகிறது.
இது பல உரையாடல்கள் அல்லது அமர்வுகளுக்கு மேல் நிலைத்திருக்கும் தகவலாகும். இது பயனர் விருப்பங்கள், வரலாற்று தொடர்புகள் அல்லது நீண்டகாலத்தில் பொதுவான அறிவை நினைவில் வைத்திருக்கும். இது தனிப்பயனாக்கலுக்கு முக்கியமானது.
நீண்ட கால நினைவக உதாரணம்
ஒரு நீண்டகால நினைவகம் “பென் ஸ்கீயிங் மற்றும் வெளிப்புற செயல்பாடுகளை விரும்புகிறார், மலைக்காட்சி கொண்ட காபி விரும்புகிறார், மற்றும் முந்தைய காயம் காரணமாக மேம்பட்ட ஸ்கீ சாய்வுகளை தவிர்க்க விரும்புகிறார்” என்பதை சேமிக்கலாம். முந்தைய தொடர்புகளிலிருந்து கற்றுக்கொண்ட இந்த தகவல் எதிர்கால பயண திட்டமிடும் அமர்வுகளில் பரிந்துரைகளை மிகவும் தனிப்பயனாக்க உதவுகிறது.
இந்த சிறப்பு நினைவக வகை ஒரு முகவருக்கு ஒரே மாதிரியான “பயனர் தன்மை” அல்லது “தனிப்பட்ட தன்மை” உருவாக்க உதவுகிறது. இது முகவருக்கு தன்னுடைய விவரங்கள் அல்லது நோக்கம் பற்றிய தகவல்களை நினைவில் வைத்துக்கொள்ள அனுமதிக்கிறது, இதனால் தொடர்புகள் மேலும் சீரான மற்றும் கவனமாக இருக்கும்.
தனிப்பட்ட நினைவக உதாரணம்
ஒரு பயண முகவர் “சிறந்த ஸ்கீ திட்டமிடுபவர்” ஆக வடிவமைக்கப்பட்டிருந்தால், தனிப்பட்ட நினைவகம் இந்த வேட்கையை வலுப்படுத்தலாம், அதன் பதில்களை ஒரு நிபுணரின் குரலும் அறிவும் பொருந்தும் வகையில் பாதிக்கிறது.
இந்த நினைவகம் ஒரு சிக்கலான பணியின் போது ஒரு முகவர் எடுத்த படிகளின் வரிசையை, வெற்றிகள் மற்றும் தோல்விகளைச் சேமிக்கிறது. இது குறிப்பிட்ட “எபிசோடுகள்” அல்லது முந்தைய அனுபவங்களை நினைவில் வைத்துக்கொண்டு அவற்றிலிருந்து கற்றுக்கொள்வதைப் போன்றது.
எபிசோடிக் நினைவக உதாரணம்
முகவர் ஒரு குறிப்பிட்ட விமானத்தை முன்பதிவு செய்ய முயற்சித்தால், ஆனால் அது கிடைக்காததால் தோல்வியடைந்தால், எபிசோடிக் நினைவகம் இந்த தோல்வியை பதிவு செய்யலாம், இது முகவருக்கு மாற்று விமானங்களை முயற்சிக்க அல்லது அடுத்த முறை பயனருக்கு இந்த பிரச்சினையைப் பற்றி தகவல் அளிக்க அனுமதிக்கிறது.
இது உரையாடல்களில் இருந்து குறிப்பிட்ட பொருட்கள் (மக்கள், இடங்கள் அல்லது பொருட்கள்) மற்றும் நிகழ்வுகளைப் பிடித்து நினைவில் வைத்துக்கொள்வதைக் குறிக்கிறது. இது விவாதிக்கப்பட்ட முக்கிய கூறுகளின் கட்டமைக்கப்பட்ட புரிதலை உருவாக்க முகவருக்கு உதவுகிறது.
பொருள் நினைவக உதாரணம்
ஒரு முந்தைய பயணத்தைப் பற்றிய உரையாடலிலிருந்து, முகவர் “பாரிஸ்,” “ஐஃபல் டவர்,” மற்றும் “லே சாட் நோயர் உணவகத்தில் இரவு உணவு” போன்றவற்றை பொருட்களாகப் பிடிக்கலாம். எதிர்கால தொடர்பில், முகவர் “லே சாட் நோயர்” என்பதை நினைவூட்டிக் கொண்டு அங்கு புதிய முன்பதிவைச் செய்ய பரிந்துரை செய்யலாம்.
RAG என்பது ஒரு பரந்த தொழில்நுட்பமாக இருந்தாலும், “கட்டமைக்கப்பட்ட RAG” ஒரு சக்திவாய்ந்த நினைவக தொழில்நுட்பமாக குறிப்பிடப்பட்டுள்ளது. இது பல்வேறு ஆதாரங்களிலிருந்து (உரையாடல்கள், மின்னஞ்சல்கள், படங்கள்) அடர்த்தியான, கட்டமைக்கப்பட்ட தகவல்களை எடுத்து, பதில்களில் துல்லியத்தையும் மீளப்பெறுதலையும் வேகத்தையும் மேம்படுத்துகிறது. செமாண்டிக் ஒத்திசைவை மட்டுமே நம்பும் பாரம்பரிய RAG-க்கு மாறாக, கட்டமைக்கப்பட்ட RAG தகவலின் உட்கட்டமைப்புடன் வேலை செய்கிறது.
கட்டமைக்கப்பட்ட RAG உதாரணம்
விசேஷமாக சொற்களை பொருத்துவதற்குப் பதிலாக, கட்டமைக்கப்பட்ட RAG ஒரு மின்னஞ்சலிலிருந்து விமான விவரங்களை (இலக்கு, தேதி, நேரம், விமான நிறுவனம்) பகுப்பாய்வு செய்து அவற்றை ஒரு கட்டமைக்கப்பட்ட முறையில் சேமிக்க முடியும். இது “செவ்வாய்க்கிழமை பாரிசுக்கு நான் எந்த விமானத்தை முன்பதிவு செய்தேன்?” போன்ற துல்லியமான கேள்விகளுக்கு பதிலளிக்க அனுமதிக்கிறது.
AI முகவர்களுக்கு நினைவகத்தை செயல்படுத்துவது நினைவக மேலாண்மை என்ற அமைப்புசார்ந்த செயல்முறையை உள்ளடக்கியது, இதில் தகவல்களை உருவாக்குதல், சேமித்தல், மீட்டெடுத்தல், ஒருங்கிணைத்தல், புதுப்பித்தல் மற்றும் “மறந்துவிடுதல்” (அல்லது நீக்குதல்) ஆகியவை அடங்கும். குறிப்பாக, மீட்டெடுத்தல் மிகவும் முக்கியமான அம்சமாகும்.
முகவர் நினைவகத்தை சேமிக்கவும் நிர்வகிக்கவும் ஒரு வழி Mem0 போன்ற சிறப்பு கருவிகளைப் பயன்படுத்துவது. Mem0 ஒரு நிலையான நினைவக அடுக்கு ஆக செயல்படுகிறது, இது முகவர்களுக்கு தொடர்புடைய தொடர்புகளை நினைவூட்ட, பயனர் விருப்பங்கள் மற்றும் உண்மையான சூழ்நிலையை சேமிக்க மற்றும் வெற்றிகள் மற்றும் தோல்விகளிலிருந்து கற்றுக்கொள்ள அனுமதிக்கிறது. இங்கே உள்ள கருத்து என்னவென்றால், நிலையற்ற முகவர்கள் நிலையானவர்களாக மாறுகிறார்கள்.
இது ஒரு இரண்டு கட்ட நினைவக குழாய்: சுருக்கம் மற்றும் புதுப்பிப்பு மூலம் செயல்படுகிறது. முதலில், ஒரு முகவரின் திரையில் சேர்க்கப்பட்ட செய்திகள் Mem0 சேவைக்கு அனுப்பப்படுகின்றன, இது ஒரு பெரிய மொழி மாதிரியை (LLM) பயன்படுத்தி உரையாடல் வரலாற்றை சுருக்கி புதிய நினைவகங்களை எடுக்கிறது. பின்னர், ஒரு LLM இயக்கப்படும் புதுப்பிப்பு கட்டம் இந்த நினைவகங்களைச் சேர்க்க, மாற்ற அல்லது நீக்க முடிவு செய்கிறது, அவற்றை வெக்டர், கிராஃப் மற்றும் முக்கிய மதிப்பு தரவுத்தொகுப்புகள் போன்ற ஒரு கலப்பு தரவுத்தொகுப்பில் சேமிக்கிறது. இந்த அமைப்பு பல்வேறு நினைவக வகைகளை ஆதரிக்கிறது மற்றும் பொருட்களின் இடையே உறவுகளை நிர்வகிக்க கிராஃப் நினைவகத்தை உள்ளடக்க முடியும்.
Mem0 போன்ற சிறப்பு நினைவக கருவிகளைத் தவிர, Azure AI Search போன்ற வலுவான தேடல் சேவைகளை நினைவகங்களை சேமிக்கவும் மீட்டெடுக்கவும் பின்புலமாகப் பயன்படுத்தலாம், குறிப்பாக கட்டமைக்கப்பட்ட RAG க்காக.
இது உங்கள் முகவரின் பதில்களை உங்கள் சொந்த தரவுடன் நிலைநிறுத்த அனுமதிக்கிறது, மேலும் தொடர்புடைய மற்றும் துல்லியமான பதில்களை உறுதிசெய்கிறது. Azure AI Search பயனர்-சிறப்பு பயண நினைவகங்கள், தயாரிப்பு பட்டியல்கள் அல்லது பிற துறைக்கு-சிறப்பு அறிவு போன்றவற்றை சேமிக்க பயன்படுத்தப்படலாம்.
Azure AI Search கட்டமைக்கப்பட்ட RAG போன்ற திறன்களை ஆதரிக்கிறது, இது உரையாடல் வரலாறுகள், மின்னஞ்சல்கள் அல்லது படங்கள் போன்ற பெரிய தரவுத்தொகுப்புகளிலிருந்து அடர்த்தியான, கட்டமைக்கப்பட்ட தகவல்களை எடுக்கவும் மீட்டெடுக்கவும் சிறந்தது. இது பாரம்பரிய உரை துண்டாக்கல் மற்றும் எம்பெட்டிங் அணுகுமுறைகளுடன் ஒப்பிடும்போது “மிகுந்த துல்லியத்தையும் மீளப்பெறுதலையும்” வழங்குகிறது.
தன்னம்பிக்கையுடன் மேம்படும் முகவர்களுக்கு பொதுவான முறை “அறிவு முகவர்” ஒன்றை அறிமுகப்படுத்துவதை உள்ளடக்கியது. இந்த தனி முகவர் பயனர் மற்றும் முதன்மை முகவருக்கு இடையிலான முக்கிய உரையாடலை கவனிக்கிறது. இதன் பங்கு:
முக்கியமான தகவல்களை அடையாளம் காண்க: உரையாடலின் எந்த பகுதியும் பொதுவான அறிவாக அல்லது குறிப்பிட்ட பயனர் விருப்பமாக சேமிக்கப்பட வேண்டுமா என்பதை தீர்மானிக்கவும்.
தகவலை எடுத்து சுருக்கவும்: உரையாடலிலிருந்து முக்கியமான கற்றலோ அல்லது விருப்பத்தையோ சுருக்கவும்.
அறிவு தரவுத்தொகுப்பில் சேமிக்கவும்: இந்த எடுக்கப்பட்ட தகவல்களை நிலைத்துவமாக சேமிக்கவும், பெரும்பாலும் ஒரு வெக்டர் தரவுத்தொகுப்பில், பின்னர் அதை மீட்டெடுக்க முடியும்.
எதிர்கால கேள்விகளை மேம்படுத்தவும்: பயனர் புதிய கேள்வியைத் தொடங்கும்போது, அறிவு முகவர் தொடர்புடைய சேமிக்கப்பட்ட தகவல்களை மீட்டெடுத்து, பயனரின் உத்தேசத்திற்கு அதைச் சேர்க்கிறது, இது முதன்மை முகவருக்கு முக்கியமான சூழ்நிலையை வழங்குகிறது (RAG போன்றது).
• தாமத மேலாண்மை: பயனர் தொடர்புகளை மெதுவாக செய்யாமல் இருக்க, தகவல் மதிப்புமிக்கதா என்பதைச் சரிபார்க்க முதலில் மலிவான, வேகமான மாதிரியைப் பயன்படுத்தலாம், தேவைப்படும் போது மட்டுமே சிக்கலான சுருக்கம்/மீட்டெடுப்பு செயல்முறையை அழைக்கலாம்.
• அறிவு தரவுத்தொகுப்பு பராமரிப்பு: ஒரு வளர்ந்துவரும் அறிவு தரவுத்தொகுப்பிற்காக, குறைவாக பயன்படுத்தப்படும் தகவல்களை “குளிர் சேமிப்பு”க்கு மாற்றலாம், செலவுகளை நிர்வகிக்க.
மற்ற கற்றலாளர்களை சந்திக்கவும், அலுவலக நேரங்களில் பங்கேற்கவும் மற்றும் உங்கள் AI முகவர் தொடர்பான கேள்விகளுக்கு பதிலளிக்கவும் Azure AI Foundry Discord க்கு சேரவும்.
குறிப்பு:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.