Weaviate Engram برای ساختاردهی داده‌های تعامل خام در هوش مصنوعی‌های عامل

اصل ماجرا

Weaviate Engram سرویس مدیریت حافظهٔ فعال برای برنامه‌های هوش مصنوعی شد. این سرویس داده‌های خام مکالمات را استخراج، حذف تکرار و رفع تناقض می‌کند و به‌صورت غیرهمزمان ذخیره می‌کند. با استفاده از این سرویس می‌توان هزینهٔ پردازش و تاخیرهای طولانی‌متن را کاهش داد.

متن کامل ترجمه‌شده

در حالی که توسعه دهندگان این داده ها را به عنوان یک بلوب کنتیک در حال رشد ذخیره می کنند و آن را به یک مدل زبان بزرگ (LLM) برمی گردانند، به اختلالات ساختاری در برنامه منجر می شود. این رویکرد باعث تخریب کنتیک طولانی مدت می شود، که هزینه های محاسبات را افزایش می دهد، لاتین عملیاتی را افزایش می دهد و دقت تولیدات مدل را کاهش می دهد. Weaviate Engram، اکنون به طور کلی در دسترس عمومی است، یک سرویس حافظه و کنتیک کاملا مدیریت شده است که بر روی وکتور Weaviate ساخته شده است که پایگاه داده این مشکل را با ارائه حافظه ساختاری فعال برای برنامه های عاملیک حل می کند. The Structural Problem with Raw Interaction Logs Interactions User Interactions, long-running, inherently produce data that is noعلاوه بر این، ذخیره سازی ژوگرافی خام در معماری های چند عامل، که در آن فزایندهای کنتیک رخ می دهد زیرا یک درخواست منطقی در طی چند عامل جداگانه گسترش می یابد، بخش پیچیده ترین مدیریت حافظه را به مرحله غیرفعال از مسیر اجرای هدایت می کند. علاوه بر این، ذخیره سازی ژوگرافی خام در معماری های چند عامل، که در آن فزایندهای کنتیک رخ می دهد، به دلیل توزیع یک درخواست منطقی در طی چند عامل جداگانه گسترش می یابد. برای عملکرد موثر، حافظه باید به عنوان یک اجزای ساختاری عمدی به جای یک جمع آوری بدون مدیریت متناسب با متناسب با متناسب با متناسب با متناسب با استاندارد استفاده شود.این موضوعات به عنوان مغناطیسی عمل می کنند و اطلاعات مطابقتی را از داده های خام خارج می کنند. سیستم انواع داده های وارداتی متعددی را می پذیرد، از جمله زنجیرهای خام، حقایق پیش گرفته و گفتگو های کامل با استفاده از ساختار پیام های استاندارد OpenAI Chat Completions. Deduplication and Contradiction Resolution هنگامی که حقایق خارج می شوند، Engram آنها را برای تبدیل مراحل برای یکپارچه سازی داده های جدید به حالت حافظه پایدار می پذیرد. مرحله TransformWithContext از پایگاه داده های ویویات با استفاده از جستجوی سیمانتیک برای دریافت حافظه های موجود و مرتبط استفاده می کند. Engram داده های وارد شده را در برابر این حافظه ها ارزیابی می کند. اگر داده های جدید یک روز رسانی یا تناقض پیش از دانش را نشان می دهد، سیستم موضوع حافاین هماهنگی فعال به طور فزاینده ای در پس زمینه اتفاق می افتد، تضمین می کند که اشاره های هوش مصنوعی یک پایگاه دانش خالص و دیپلیکی شده است. محدودیت های هدف و زمینه برای اطمینان از حفظ حریم خصوصی داده های سخت و به اشتراک گذاری مقادیر دقیق، Engram حافظه ها را با استفاده از مقادیر پایه ای جدا می کند. هر حافظه به یک پروژه تعلق دارد و موضوعات را می توان با نیاز به یک ID کاربر و خصوصیات سفارشی محدود کرد. به عنوان مثال، توسعه دهندگان می توانند یک خصوصیات conversation_id را برای اطمینان از این که حافظه ها به طور دقیق به یک جلسه خاص جدا می شوند. چرا که این محافظه ها توسط معماری چند نفره Weaviate پشتیبانی می شوند، سیستم حافظه های سختی را بین ده نفره، تضمین می کند که حEngram از طریق استفاده از حفره های پائپین، که قطعات انفرادی از داده ها را در طی چندین جریان پائپین جداگانه جمع آوری می کند، این فشرده سازی را با استفاده از حفره ها کنترل می کند. حفره ها برای فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآیند فرآ

چرا مهمه؟

پیش از این برنامه‌های هوش مصنوعی تمام لاگهای مکالمه را به‌صورت متن بزرگ به مدل می‌دادند؛ این کار باعث کاهش دقت و افزایش هزینه شد. حالا Engram با استخراج حقایق، حذف تکرار و به‌روزرسانی حافظه به‌صورت پس‌زمینه‌ای، داده‌های مرتبط را در دسترس مدل می‌گذارد. توسعه‌دهندگان، تیم‌های هوش مصنوعی و شرکت‌های چندعامله که به‌دقت حافظه و حریم‌خصوصی نیاز دارند، می‌توانند از این سرویس برای بهبود سرعت و صحت خروجی‌ها استفاده کنند.

به درد کی می‌خوره؟

• توسعه‌دهندگان هوش مصنوعی • مهندسان بک‌اند • تیم‌های DevOps • مدیران محصول هوش مصنوعی • متخصصان امنیت داده

تو عمل چی کار کنیم؟

با خواندن این خبر می‌توانید یک خوشهٔ رایگان Engram ایجاد کنید و لاگهای خام را به‌صورت خودکار به حقایق ساختاریافته تبدیل کنید؛ این کار باعث کاهش هزینهٔ پردازش، بهبود سرعت پاسخ‌گویی و جلوگیری از تکرار اطلاعات می‌شود. همچنین می‌توانید سطوح دسترسی را بر پایهٔ پروژه یا کاربر تنظیم کنید و از جداسازی داده‌ها در محیط‌های چندمستاجری بهره‌مند شوید.

نظر Blue IT News

به‌کارگیری Engram برای برنامه‌های هوش مصنوعی، مسیر تبدیل لاگهای بی‌ساختار به حافظهٔ پاک و به‌روز را هموار می‌کند؛ توصیه می‌شود همین امروز خوشهٔ رایگان را فعال کنید و ساختار حافظهٔ خود را بازنگری کنید.

<div class=“disclosure”> این صفحه ترجمه و تفسیر کاملی از گزارش اصلی Dev است که توسط تیم تحریریه بلو آی تی نیوز به فارسی ترجمه و تحلیل شده. برای مشاهده نسخه اصلی، به منبع مراجعه کنید. </div>