એજન્ટિક AI મેમરી સિસ્ટમ્સનું ભવિષ્ય
AI મેમરી બદલાઈ રહી છે.
વર્ષો સુધી, મેમરીનો અર્થ ચેટ હિસ્ટ્રીને કોન્ટેક્સ્ટ વિન્ડોમાં ભરી દેવો એવો હતો. તે અભિગમ હવે ભૂતકાળ બની ગયો છે. 2026 માં, મેમરી એ એજન્ટ ડિઝાઇનનો એક મુખ્ય ભાગ છે. તેનું પોતાનું સંશોધન, બેન્ચમાર્ક અને સુરક્ષા જોખમો છે.
જો તમે એજન્ટ્સ બનાવો છો, તો મેમરી નક્કી કરે છે કે તમારું સાધન પ્રથમ સત્ર પછી ઉપયોગી છે કે નહીં.
જૂની પદ્ધતિ સરળ હતી પરંતુ નિષ્ફળ રહી હતી. ડેવલપર્સ તાજેતરના સંદેશાઓને બફર કરતા અને બાકીનાનો સારાંશ તૈયાર કરતા. આ ચેટબોટ્સ માટે કામ કરતું હતું. પરંતુ કોડ રિવ્યુ અથવા રિસર્ચ જેવા વાસ્તવિક વર્કફ્લો ચલાવતા એજન્ટ્સ માટે તે નિષ્ફળ રહ્યું. તે એજન્ટોએ માત્ર પાંચ મિનિટ પહેલા જ નહીં, પણ ગઈકાલે તેમણે શું કર્યું હતું તે પણ યાદ રાખવાની જરૂર છે.
અસરકારક લોંગ-ટર્મ મેમરીના ત્રણ પ્રકાર છે:
- એપિસોડિક મેમરી (Episodic memory): ચોક્કસ ભૂતકાળના અનુભવો અને પરિણામો.
- સેમેન્ટિક મેમરી (Semantic memory): સામાન્ય તથ્યો અને સંબંધો.
- પ્રોસિજરલ મેમરી (Procedural memory): શીખેલી કુશળતા અને પુનઃઉપયોગી એક્શન સિક્વન્સ.
આજની મોટાભાગની સિસ્ટમ્સમાં પ્રોસિજરલ મેમરીનો અભાવ છે. તેઓ વેક્ટર સર્ચ દ્વારા તથ્યો પર ધ્યાન કેન્દ્રિત કરે છે. પરંતુ જો એજન્ટ પ્રોસિજરલ મેમરીમાં નિપુણતા મેળવે તો જ સમય જતાં વધુ સારો બને છે.
આર્કિટેક્ચર્સ પણ બે ભાગમાં વહેંચાઈ રહ્યા છે:
- કન્વર્સેશન કોન્ટેક્સ્ટ (Conversation context): એક સિંગલ ઇન્ટરેક્શનને સુસંગત રાખવું.
- ઓપરેશનલ નોલેજ (Operational knowledge): ઘણા સત્રોમાં ટકાઉ જ્ઞાન સંગ્રહિત કરવું.
આ સિસ્ટમ્સની અંદર, તમારે વેક્ટર સિમિલારિટી અને ગ્રાફ-ઓગમેન્ટેડ રિટ્રાઇવલ વચ્ચે પસંદગી કરવી પડશે. વેક્ટર મેમરી સમાન તથ્યો શોધે છે પરંતુ સંબંધો ચૂકી જાય છે. ગ્રાફ અભિગમો એન્ટિટીઝ અને કનેક્શન દ્વારા તથ્યો શોધે છે. શ્રેષ્ઠ સિસ્ટમ્સ હવે મલ્ટી-સિગ્નલ રિટ્રાઇવલનો ઉપયોગ કરે છે. આ સેમેન્ટિક સિમિલારિટી, કીવર્ડ્સ અને એન્ટિટી લિંકિંગને જોડે છે.
Letta જેવા નવા મોડલ્સ મેમરીને ઓપરેટિંગ સિસ્ટમની જેમ ગણે છે. તેઓ ટાયર્ડ એપ્રોચનો ઉપયોગ કરે છે જ્યાં કોર મેમરી RAM ની જેમ કામ કરે છે. આ માત્ર એજન્ટ સાથે ડેટાબેઝ જોડવા કરતાં વધુ સારું છે.
તમારે એક નવા સુરક્ષા જોખમ પર પણ નજર રાખવી જોઈએ: મેમરી પોઇઝનિંગ (Memory Poisoning).
પ્રોમ્પ્ટ ઇન્જેક્શન ચેટ સમાપ્ત થાય ત્યારે રીસેટ થઈ જાય છે. મેમરી પોઇઝનિંગ આવું નથી કરતું. એક હુમલાખોર એજન્ટના લોંગ-ટર્મ સ્ટોરમાં એકવાર ખરાબ ડેટા નાખી શકે છે. તે પછી તે દરેક ભવિષ્યના ઇન્ટરેક્શનને બગાડે છે. આ દિવસો પછી પણ થઈ શકે છે. OWASP હવે મેમરી અને કોન્ટેક્સ્ટ પોઇઝનિંગને ટોચના જોખમ તરીકે સૂચિબદ્ધ કરે છે.
તમારી સિસ્ટમ્સનું રક્ષણ કરવા માટે, આ ચાર લેયરનો ઉપયોગ કરો:
- ઇન્જેસ્ટિયન પહેલા ડેટાને સેનિટાઇઝ કરો.
- તેના મૂળને ટ્રેક કરવા માટે દરેક એન્ટ્રી સાથે પ્રોવેનન્સ (provenance) જોડો.
- રિટ્રાઇવલ દરમિયાન ટ્રસ્ટ-અવેર વેટિંગનો ઉપયોગ કરો.
- બિહેવિયરલ ડ્રિફ્ટ માટે મોનિટર કરો.
ભવિષ્ય તરફ જોતા, ત્રણ ટ્રેન્ડ આ ક્ષેત્રને આકાર આપશે:
- મલ્ટી-એજન્ટ મેમરી: એજન્ટોએ એકબીજાની મેમરી શેર કરવાની અને વિશ્વાસ કરવાની જરૂર પડશે.
- સ્ટાન્ડર્ડાઇઝેશન: એજન્ટો તેઓ શું જાણે છે તેનું વર્ણન કેવી રીતે કરે છે તેના માટે આપણે પ્રોટોકોલ્સ જોઈશું.
- પ્રુનિંગ (Pruning): સારી સિસ્ટમ્સ નક્કી કરશે કે શું ભૂલી જવું જોઈએ. અનબાઉન્ડેડ મેમરી ઘોંઘાટ અને ઊંચો ખર્ચ પેદા કરે છે.
મેમરી હવે નાના કોન્ટેક્સ્ટ વિન્ડો માટે માત્ર ઉપાય નથી. તે ડેમો અને વાસ્તવિક સિસ્ટમ વચ્ચેનો તફાવત છે. મેમરીને મુખ્ય આર્કિટેક્ચર તરીકે ગણો, માત્ર વિચાર્યા પછી ઉમેરાય તેવી વસ્તુ તરીકે નહીં.
સ્ત્રોત: https://dev.to/xenocoregiger31/the-future-of-agentic-ai-memory-systems-5fdp
વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi