Een team van onderzoekers heeft Mi-Memory ontwikkeld, een framework dat persoonlijke AI-assistenten in staat stelt om informatie over verschillende apparaten heen te onthouden en te beheren, waarbij de focus ligt op bewijsvoering en privacy.
De evolutie van persoonlijke kunstmatige intelligentie verschuift momenteel van eenvoudige chat-interacties naar continue diensten. Deze diensten opereren niet langer op één enkel platform, maar verspreiden zich over smartphones, auto's, smart homes, wearables en camera's. Volgens een technisch rapport dat is gepubliceerd via arxiv.org, volstaat een simpel cachegeheugen van eerdere gesprekken niet langer voor deze complexe omgeving. Er is behoefte aan een systeem dat fungeert als een substraat voor continuïteit en governance.
Voorbij de chatgeschiedenis
Het kernprobleem dat Mi-Memory aanpakt, is de noodzaak voor AI om een duurzame gebruikersstatus te behouden. In plaats van enkel tekstuele herinneringen, moet een modern AI-geheugen antwoorden kunnen baseren op multimodale bewijzen en gegevens van diverse apparaten. Dit betekent dat de AI moet kunnen begrijpen welke informatie afkomstig is van welke bron, en hoe deze informatie in de loop van de tijd evolueert.
Het framework is ontworpen om te voldoen aan strikte randvoorwaarden. Hierbij gaat het specifiek om beperkingen op het gebied van latentie (vertraging), kosten, privacy en de technische beperkingen van edge-cloud-architecturen. Volgens de auteurs van het onderzoek op moet een dergelijk systeem bovendien ondersteuning bieden voor het corrigeren van fouten en het selectief vergeten van informatie.
De vier pijlers van Mi-Memory
Het Mi-Memory framework is gestructureerd rond vier specifieke rollen die samen zorgen voor een volledige levenscyclus van het geheugen:
- Structure: Het organiseren van de basisinformatie.
- Expansion: Het uitbreiden van de beschikbare kennis.
- Evolution: Het aanpassen van het geheugen naarmate de gebruiker en de context veranderen.
- Deployment: De praktische implementatie binnen de hardwarebeperkingen.
Om deze rollen te verbinden, maakt het systeem gebruik van een gedeeld audit-contract. Dit contract maakt gebruik van vier typen artefacten: 'typed evidence payloads' voor de herkomst van gegevens, 'diagnostic traces' om informatieverlies in de pijplijn op te sporen, 'strategy artifacts' voor expliciete beleidswijzigingen en 'gate/rollback records' om de evolutie van het systeem te bewaken en indien nodig terug te draaien.
Technische implementatie en resultaten
In de praktijk wordt Mi-Memory gerealiseerd via verschillende componenten, waaronder MemStack, MemSense/MemFuse, D²ACCI/E²MEND en LiteMem. De effectiviteit van het systeem is getest in gecontroleerde evaluaties van de 'Structure'-rol.
Uit de resultaten blijkt dat MemStack sterke prestaties levert op diverse benchmarks. Zo behaalde het systeem scores van 93,59% op LoCoMo, 57,24% op PersonaMem-V2 en 87,47% op LongMemEval, zoals vermeld in de . Andere onderdelen van het framework zijn momenteel het onderwerp van module-level tests of bevinden zich in een fase van ontwerp en transfer-haalbaarheid.
Toekomst van auditeerbare AI
Het uiteindelijke doel van Mi-Memory is het creëren van geheugensystemen voor persoonlijke AI die niet alleen efficiënt zijn, maar ook auditeerbaar en bewijs-gestuurd. Door elke herinnering te koppelen aan een bewijslast, wordt de AI minder vatbaar voor hallucinaties en transparanter in hoe het tot bepaalde conclusies komt.
Voor meer gedetailleerde informatie over de implementatie en de gebruikte methodologie verwijzen de onderzoekers naar de , waar de technische specificaties van het raamwerk verder worden uitgediept.