Mémoire générative
La mémoire générative fait référence aux mécanismes sophistiqués au sein des modèles d'intelligence artificielle avancés, en particulier les grands modèles de langage (LLM), qui leur permettent de stocker, de récupérer et d'utiliser les informations recueillies au cours de multiples interactions ou sur de longues périodes. Contrairement à la mémoire de session simple, la mémoire générative permet à l'IA de construire une compréhension persistante et évolutive de l'utilisateur, de la tâche ou du domaine.
Pour que les applications d'IA dépassent les interactions en un seul tour, elles doivent posséder une mémoire. La mémoire générative transforme les modèles sans état en agents dotés d'un état. Cette capacité est cruciale pour construire des applications fiables, personnalisées et complexes, telles que les assistants virtuels, les tuteurs personnalisés et les agents autonomes qui nécessitent une continuité dans leurs opérations.
La mise en œuvre de la mémoire générative implique souvent des bases de connaissances externes ou des modules de mémoire spécialisés intégrés au LLM principal. Lorsqu'une interaction se produit, les données pertinentes (par exemple, les préférences de l'utilisateur, les résumés des conversations précédentes, les faits critiques) sont encodées et stockées. Des mécanismes de récupération, utilisant souvent des bases de données vectorielles et la recherche sémantique, sont ensuite utilisés pour récupérer les souvenirs les plus pertinents dans le contexte du prompt avant que le modèle ne génère une réponse. Ce processus permet au modèle de « se souvenir » des informations passées pertinentes.
Les concepts connexes comprennent la Génération Augmentée par Récupération (RAG), qui est un modèle de mise en œuvre principal pour la mémoire, et la Gestion d'État (State Management), qui régit le flux global d'informations au sein d'un système agentique.
