Apprendimento continuo incentrato sulla memoria per gli agenti di IA

Abstract degli autori

Gli agenti autonomi basati su modelli fondazionali possono ragionare, pianificare e usare strumenti, ma i loro pesi fissi e i limiti del contesto ostacolano l’apprendimento duraturo dall’esperienza durante impieghi a lungo termine. I sistemi di memoria esterna cercano di colmare questa lacuna, ma per lo più funzionano come archivi passivi da cui recuperare informazioni e vengono valutati soprattutto in base alla capacità di richiamare fatti memorizzati o interazioni passate. Resta da capire se la memoria possa favorire un autentico apprendimento continuo. In questo articolo presentiamo Memory-Centric Continual Learning (MCCL) e sosteniamo che la memoria debba essere valutata in base alla sua capacità di migliorare le azioni future, non soltanto a ciò che permette di recuperare. MCCL si articola in tre parti principali. La prima è una tassonomia a tre assi che organizza la memoria in base a dove è memorizzato lo stato (substrati), alla forma che assume (risorse) e al modo in cui è gestita (politiche). La tassonomia definisce un ciclo di vita a due cicli: quello interno aggiorna lo stato della memoria, mentre quello esterno perfeziona le politiche di gestione sulla base del feedback sui compiti. La seconda parte è un protocollo di valutazione che misura la conservazione delle informazioni in presenza di interferenze, l’adattamento ai cambiamenti e il trasferimento tra compiti, per distinguere i reali miglioramenti del comportamento da quelli dovuti al semplice ampliamento del contesto. La terza è un quadro per la scalabilità della memoria che modella come variano le prestazioni degli agenti in funzione dell’esperienza, della capacità di archiviazione e dei budget di calcolo, sia per la memoria non parametrica sia per quella parametrica. Insieme, queste componenti ridefiniscono la memoria degli agenti: non più un mezzo per il recupero passivo di informazioni, ma uno strumento di apprendimento continuo che offre un percorso fondato su principi verso agenti autonomi capaci di migliorarsi da sé.