एआई मॉडल और प्लेटफ़ॉर्म

बैकबोर्ड ने एआई मेमोरी में एक नए वैश्विक मानक की स्थापना की — वास्तव में एजेंटिक एआई की ओर एक छलांग

Antoine Tardif
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुबैकबोर्ड की मेमोरी-फर्स्ट आर्किटेक्चर एआई एजेंट्स और मॉडल्स के बीच स्थायी साझा संदर्भ…
और देखें
  • बैकबोर्ड की मेमोरी-फर्स्ट आर्किटेक्चर एआई एजेंट्स और मॉडल्स के बीच स्थायी साझा संदर्भ सक्षम करती है।
  • एजेंटिक एआई को डेमो से प्रोडक्शन में ले जाने के लिए मेमोरी इंफ्रास्ट्रक्चर अब महत्वपूर्ण बाधा बन रहा है।
  • बैकबोर्ड का बेंचमार्क-अग्रणी प्रदर्शन कार्य-विशिष्ट अनुकूलन नहीं, बल्कि सिस्टम-स्तरीय डिज़ाइन से उपजा है।

बैकबोर्ड ने कृत्रिम बुद्धिमत्ता प्रणालियों के लिए एक महत्वपूर्ण सीमा को पार किया है, यह प्रदर्शित करके कि मेमोरी को मुख्य बुनियादी ढांचे के रूप में माना जा सकता है, न कि एक नाजुक जोड़ के रूप में। कंपनी ने घोषणा की कि यह अब दोनों प्रमुख एआई मेमोरी बेंचमार्क, लोकोमो और लॉन्गमेमइवल, में अग्रणी है, जो ऐसा करने वाला पहला प्लेटफ़ॉर्म है जो सुसंगत अकादमिक और स्वतंत्र मूल्यांकन विधियों के तहत ऐसा करता है।

न्यूमैथडेटा द्वारा किए गए एक स्वतंत्र मूल्यांकन में, बैकबोर्ड ने लॉन्गमेमइवल पर 93.4 प्रतिशत सटीकता हासिल की, जो बेंचमार्क के मूल विनिर्देश के अनुसार चलने पर अब तक का सबसे उच्च सार्वजनिक रूप से रिपोर्ट किया गया स्कोर है। यह परिणाम इसके लोकोमो पर पहले प्रकाशित 90.1 प्रतिशत स्कोर पर आधारित है, जो बैकबोर्ड को उन कुछ प्रणालियों में से एक बनाता है जो दोनों छोटी क्षितिज सटीकता और लंबी क्षितिज संदर्भ स्थिरता को बनाए रखने में सक्षम हैं।

उल्लेखनीय है कि समीक्षकों ने कई मामलों की पहचान की जहां बैकबोर्ड के उत्तरों को गलत चिह्नित किया गया था, हालांकि वे संदर्भ की दृष्टि से बेंचमार्क के अपेक्षित उत्तरों की तुलना में अधिक सटीक थे। इन मामलों में, प्रणाली ने प्रॉम्प्ट की एक संकीर्ण व्याख्या का पालन करने के बजाय बातचीत में पहले से मौजूद तथ्यात्मक जानकारी को शामिल किया। परिणामस्वरूप, रिपोर्ट किया गया स्कोर प्रदर्शन की ऊपरी सीमा के बजाय एक रूढ़िवादी आधार रेखा का प्रतिनिधित्व करता है।

एआई में मेमोरी क्यों बन गई है सीमित कारक

अधिकांश आधुनिक एआई प्रणालियां अभी भी ऐसा व्यवहार करती हैं जैसे उनका कोई वास्तविक अतीत नहीं है। जबकि बड़े भाषा मॉडल प्रवाही उत्तरों का उत्पादन करने में उत्कृष्ट हैं, वे अक्सर एक सत्र के अंत में या प्रॉम्प्ट विंडो भरने पर संदर्भ को भूल जाते हैं। यह सीमा डेवलपर्स को रिट्रीवल हैक्स, प्रॉम्प्ट इंजीनियरिंग, या नाजुक उपकरणों की श्रृंखला के माध्यम से बार-बार अवस्था का पुनर्निर्माण करने के लिए मजबूर करती है, जो अक्सर जटिलता में वृद्धि के साथ टूट जाते हैं।

मेमोरी केवल रिकॉल के बारे में नहीं है। व्यावहारिक तैनाती में, मेमोरी यह निर्धारित करती है कि क्या एक एआई प्रणाली समय के साथ सुसंगत रह सकती है, कार्यों के साथ समन्वय कर सकती है, और उपयोगकर्ताओं के साथ विश्वास बना सकती है। बिना स्थायी मेमोरी के, प्रणालियां रीसेट हो जाती हैं, हॉलुसिनेट करती हैं, या खुद को विरोधाभासी बनाती हैं। जैसे ही एआई एकल-मोड़ बातचीत से लंबे समय तक चलने वाले कार्यों में जाता है, मेमोरी प्राथमिक बोतलनेक बन गई है।

बैकबोर्ड इस समस्या को मेमोरी को पहले दर्जे के बुनियादी ढांचे के रूप में मानकर संबोधित करता है। एक अनुप्रयोग परत पर मेमोरी को जोड़ने के बजाय, यह स्थायित्व, एम्बेडिंग, रिट्रीवल और ऑर्केस्ट्रेशन को एक एकल एपीआई के माध्यम से एक्सेस किए जाने वाले एक एकीकृत प्लेटफ़ॉर्म में एकीकृत करता है।

बेंचमार्क ट्यूनिंग के बजाय एक सिस्टम-लेवल दृष्टिकोण

बैकबोर्ड ने अपने आर्किटेक्चर को बेंचमार्क स्कोर का पीछा करने के लिए डिज़ाइन नहीं किया था। मूल्यांकन या तो स्वतंत्र रूप से शुरू किए गए थे या यह समझने के लिए आंतरिक रूप से उपयोग किए गए थे कि प्रणाली अकादमिक अनुसंधान की तुलना में कैसे तुलना करती है। परिणामी प्रदर्शन वास्तविक स्थितियों में प्रणाली स्तर के व्यवहार को दर्शाता है, न कि कार्य-विशिष्ट अनुकूलन को।

यह अंतर महत्वपूर्ण है क्योंकि अधिकांश बेंचमार्क अलगाव में मॉडल व्यवहार को मापते हैं, जबकि वास्तविक दुनिया की एआई प्रणालियां कई चलती भागों से बनी होती हैं। बैकबोर्ड के परिणाम सुझाव देते हैं कि मेमोरी प्रदर्शन केवल मॉडल आकार या बलपूर्वक गणना का एक कार्य नहीं है, बल्कि यह मेमोरी कैसे संरचित, अद्यतन और समय के साथ साझा की जाती है।

प्लेटफ़ॉर्म स्थायी लंबी अवधि की मेमोरी, मूल एम्बेडिंग और वेक्टरीकरण, अंतर्निहित रिट्रीवल-ऑगमेंटेड जनरेशन, एजेंटों के बीच साझा मेमोरी और 17,000 से अधिक बड़े भाषा मॉडलों तक पहुंच को जोड़ती है, जिसमें अपनी API कुंजी लाने का समर्थन शामिल है। इन तत्वों को एकजुट करके, बैकबोर्ड उद्यमों को खुले स्रोत घटकों को एक साथ जोड़ने की आवश्यकता को हटा देता है जो अक्सर उत्पादन प्रतिबंधों के तहत विफल हो जाते हैं।

व्यावहारिक एजेंटिक एआई बनाना

एजेंटिक एआई में रुचि बढ़ती जा रही है, लेकिन अधिकांश कार्यान्वयन डेमो से परे जाने के लिए संघर्ष करते हैं। कारण सरल है। एजेंटों के बीच साझा की जाने वाली स्थायी मेमोरी के बिना, वे प्रभावी ढंग से समन्वय नहीं कर सकते हैं। वे टुकड़े-टुकड़े हो जाते हैं, संदर्भ खो देते हैं और समय के साथ अप्रत्याशित रूप से व्यवहार करते हैं।

बैकबोर्ड एजेंटों के बीच स्थायी साझा मेमोरी को सक्षम बनाता है, भले ही वे अलग-अलग मॉडलों पर निर्भर करते हों। जब मेमोरी विश्वसनीय होती है, तो एजेंटिक व्यवहार स्वाभाविक रूप से उत्पन्न होता है, न कि स्क्रिप्ट किया जाता है। प्रणालियां पिछले निर्णयों को याद रख सकती हैं, सत्रों के बीच निरंतरता बनाए रख सकती हैं और बार-बार प्रॉम्प्ट किए जाने के बिना कार्यों का समन्वय कर सकती हैं।

प्लेटफ़ॉर्म के अंतर्निहित मेमोरी फ्रेमवर्क को स्थिर ग्राफ़ या बार-बार रिट्रीवल के माध्यम से अवस्था का पुनर्निर्माण करने के बजाय समय संबंधी सुसंगतता को बनाए रखने के लिए डिज़ाइन किया गया है। यह एआई प्रणालियों को जटिलता में वृद्धि के रूप में सुसंगत और ऑडिट किए जा सकने योग्य रहने की अनुमति देता है।

उन प्रणालियों के लिए निर्मित जो भूल नहीं सकतीं

बैकबोर्ड का आर्किटेक्चर इसके संस्थापक और सीईओ, रोब इम्बोल्ट के अनुभव में निहित है, जिन्होंने पहले एक प्रारंभिक चरण के स्टार्टअप से असेंट को एक वैश्विक उद्यम प्लेटफ़ॉर्म में बदलने में मदद की थी, जिसका मूल्य 1.4 बिलियन डॉलर से अधिक है। असेंट में, इम्बोल्ट ने जिन प्रणालियों पर काम किया था, वे ग्राहक संचालन के भीतर गहराई से निहित थीं, जो नियामक अनुपालन और जटिल आपूर्ति श्रृंखला कार्यों का समर्थन करती थीं, जहां निरंतरता, सहीपन और विश्वास ऐसे अनिवार्य तत्व थे जिन पर समझौता नहीं किया जा सकता था।

यह अनुभव एक स्पष्ट धारणा को आकार देता है। सबसे मूल्यवान बुनियादी ढांचा अक्सर चमकदार नहीं होता है। यह वह बुनियादी ढांचा है जो शांति, निरंतरता और लंबे समय तक काम करता है। ऐसे वातावरण में, प्रणालियों को संदर्भ खो जाने पर रीसेट करने की अनुमति नहीं है। यदि अवस्था गायब हो जाता है या विश्वास कम हो जाता है, तो प्रणाली संचालन में विफल हो जाती है, न कि केवल तकनीकी रूप से।

इम्बोल्ट ने आधुनिक एआई में एक संरचनात्मक असंगति को देखा। जबकि बड़े भाषा मॉडल तेजी से आगे बढ़े, वे मूल रूप से अवस्था-रहित बने रहे। संदर्भ सत्रों के बीच गायब हो गया, डेवलपर्स को प्रॉम्प्ट श्रृंखला और एड हॉक रिट्रीवल परतों के माध्यम से मेमोरी का पुनर्निर्माण करने के लिए मजबूर किया। ये दृष्टिकोण डेमो में काम कर सकते हैं, लेकिन वे टूट जाते हैं जब एआई प्रणालियों को निरंतर चलने, एजेंटों के बीच समन्वय करने और समय के साथ विकसित करने की अपेक्षा की जाती है।

बैकबोर्ड इस अंतर को पाटने के लिए बनाया गया था। मेमोरी को अनुप्रयोग तर्क के बजाय स्थायी बुनियादी ढांचे के रूप में माना जाता है, जिससे एआई प्रणालियों को बातचीत, मॉडल और एजेंटों के बीच अवस्था बनाए रखने की अनुमति मिलती है। स्थायित्व, सहीपन और दीर्घकालिक विश्वसनीयता पर ध्यान केंद्रित करना एक ऐसा विश्वास है जो बैकबोर्ड के अस्तित्व से पहले से ही बना हुआ था: उत्पादन वातावरण में, मेमोरी विफलताएं छोटी खामियां नहीं हैं। वे प्रणालीगत जोखिम हैं।

यह दृष्टिकोण बैकबोर्ड के डिज़ाइन दर्शन को आधार बनाता है। लक्ष्य अलग-अलग क्षणों में बुद्धिमत्ता का प्रदर्शन नहीं करना है, बल्कि ऐसी एआई प्रणालियों को सक्षम बनाना है जो जटिलता में वृद्धि और समय क्षितिज के विस्तार के बावजूद विश्वसनीय सॉफ़्टवेयर की तरह व्यवहार करती हैं।

एआई के भविष्य के लिए इसका क्या अर्थ है

बैकबोर्ड के परिणामों का व्यापक अर्थ यह है कि एआई की अगले चरण की प्रगति केवल बड़े मॉडल या लंबे संदर्भ विंडो द्वारा नहीं चलाई जाएगी। यह उन प्रणालियों द्वारा चलाया जाएगा जो समय के साथ याद रख सकती हैं, तर्क कर सकती हैं और विकसित हो सकती हैं।

जैसे ही उद्यम एआई को ग्राहक सहायता, संचालन, अनुसंधान, और अनुपालन में तैनात करते हैं, स्थायी मेमोरी विश्वास और मापनीयता के लिए आधार बन जाती है। जो प्लेटफ़ॉर्म मेमोरी को बुनियादी ढांचे के स्तर पर हल करते हैं, वे एजेंटिक एआई को प्रयोग से दैनिक उपयोग में कैसे ले जाते हैं, यह परिभाषित करेंगे।

अकादमिक और स्वतंत्र बेंचमार्क दोनों पर अपने मेमोरी आर्किटेक्चर को अब मान्य करने के साथ, बैकबोर्ड वास्तविक दुनिया के प्रतिबंधों के तहत एआई प्रणाली व्यवहार को बेहतर ढंग से समझने और मूल्यांकन करने में टीमों की मदद करने के लिए अपना ध्यान केंद्रित कर रहा है। कंपनी की आगामी स्विचबोर्ड क्षमता जटिल एआई कॉन्फ़िगरेशन को अधिक पारदर्शी और भविष्यवाणी योग्य बनाने का लक्ष्य रखती है।

एआई के भविष्य को चतुर प्रॉम्प्ट तरकीबों की तुलना में उन प्रणालियों से अधिक आकार मिलेगा जिन पर समय के साथ भरोसा किया जा सके। मेमोरी इस बदलाव का आधार है, और बैकबोर्ड के नवीनतम परिणाम सुझाव देते हैं कि यह आधार अंततः आकार ले रहा है।

एंटोनी एक दूरदर्शी नेता और Unite.AI के संस्थापक भागीदार हैं। एआई और रोबोटिक्स के भविष्य को आकार देने और आगे बढ़ाने के प्रति उनका जुनून अटूट है। कई उद्यम शुरू कर चुके एंटोनी का मानना है कि एआई समाज में बिजली जितना ही बड़ा बदलाव लाएगा। वे अक्सर परिवर्तनकारी प्रौद्योगिकियों और एजीआई की संभावनाओं के बारे में उत्साह से बात करते हैं।

एक भविष्यविद् के रूप में, वे यह जानने के लिए समर्पित हैं कि ये नवाचार हमारी दुनिया को कैसे आकार देंगे। वे Securities.io के संस्थापक भी हैं। यह मंच उन अत्याधुनिक प्रौद्योगिकियों में निवेश पर केंद्रित है जो भविष्य को नई परिभाषा दे रही हैं और पूरे क्षेत्रों का स्वरूप बदल रही हैं।