Generatives Gedächtnis
Generative Memory bezieht sich auf die hochentwickelten Mechanismen innerhalb fortschrittlicher künstlicher Intelligenzmodelle, insbesondere großer Sprachmodelle (LLMs), die es ihnen ermöglichen, Informationen zu speichern, abzurufen und zu nutzen, die über mehrere Interaktionen oder über längere Zeiträume gesammelt wurden. Im Gegensatz zum einfachen Sitzungsgedächtnis ermöglicht Generative Memory der KI, ein dauerhaftes, sich entwickelndes Verständnis des Benutzers, der Aufgabe oder des Fachgebiets aufzubauen.
Damit KI-Anwendungen über einfache Interaktionen hinausgehen können, müssen sie ein Gedächtnis besitzen. Generative Memory wandelt zustandslose Modelle in zustandsbehaftete Agenten um. Diese Fähigkeit ist entscheidend für den Aufbau zuverlässiger, personalisierter und komplexer Anwendungen, wie virtuelle Assistenten, personalisierte Tutoren und autonome Agenten, die eine Kontinuität in ihren Vorgängen erfordern.
Die Implementierung von Generative Memory beinhaltet oft externe Wissensdatenbanken oder spezialisierte Gedächtnismodule, die in das Kern-LLM integriert sind. Wenn eine Interaktion stattfindet, werden relevante Daten (z. B. Benutzereinstellungen, Zusammenfassungen früherer Konversationen, kritische Fakten) kodiert und gespeichert. Abrufmechanismen, die häufig Vektordatenbanken und semantische Suche verwenden, werden dann eingesetzt, um die relevantesten Erinnerungen vor der Generierung einer Antwort durch das Modell in den Prompt-Kontext zurückzuholen. Dieser Prozess ermöglicht es dem Modell, relevante frühere Informationen „abzurufen“.
Verwandte Konzepte sind Retrieval-Augmented Generation (RAG), ein primäres Implementierungsmuster für das Gedächtnis, und State Management (Zustandsverwaltung), das den gesamten Informationsfluss innerhalb eines agentenbasierten Systems regelt.
