Yapay zeka ajanları basit sohbet botlarından uzun süreli hafızaya sahip otonom varlıklara evrildikçe, bağlamı depolama ve geri getirme zorluğu kritik hale geliyor. Geleneksel anahtar-değer depoları veya vektör veritabanları, olguların zaman içindeki nüanslı evrimini yakalamakta genellikle yetersiz kalır. Bu sorunu çözmek için Zamanlı Bilgi Grafiklerine (TKG) yöneliyoruz. Bu yapılar, ajanların yalnızca neyin doğru olduğunu değil, ne zaman doğru olmaya başladığını, ne zaman doğru olmaktan çıktığını ve güven seviyelerinin nasıl değiştiğini anlamalarını sağlar.
Bir TKG için etkili bir şema tasarlamak, ifade gücü ile sorgu performansı arasında denge kurmayı gerektirir. Aşağıda, ajan bellek sistemlerinde zaman verilerini modellemek için üç kritik kalıbı inceliyoruz.
1. Aralığa Dayalı Olgular Modeli
En temel kalıp, her iddia için geçerli zaman aralıklarını açıkça depolamayı içerir. Bir olguyu statik bir boole değeri olarak ele almak yerine, onu bir demet olarak modelliyoruz: (Özne, Yüklem, Nesne, Başlangıç_Zamanı, Bitiş_Zamanı, Güven).
Bu yaklaşım, bir ajanın kullanıcının Python tercih ettiğini (Ocak 2022'den Haziran 2023'e) ve ardından Rust'a geçtiğini (Haziran 2023'ten bugüne) hatırlaması gibi ayrık durum değişiklikleri için idealdir.
{
"id": "fact_9821",
"subject": "user_001",
"predicate": "preferred_language",
"object": "python",
"valid_from": "2022-01-15T10:00:00Z",
"valid_to": "2023-06-01T00:00:00Z",
"confidence": 0.95
}İpucu: Yeni bir olgu eski birini geçersiz kıldığında, sistemin önceki kaydın valid_to zaman damgasını otomatik olarak güncellediğinden emin olun. Bu, sorgu sonuçlarında çelişkili "güncel" durumların bir arada var olmasını önler.
2. İnce Bağlam İçin Olay Odaklı Düğümler
Olgular hızla değişiyorsa veya belirli etkileşimlerden türetiliyorsa, aralık modelleri dağınık hale gelebilir. Daha sağlam bir kalıp, olayları grafda birinci sınıf düğümler olarak ele almaktır. Olay, zaman bağlamını barındırır ve olgu, olayı özne/nesneye bağlayan bir kenardır.
Bu, bir inancın neden var olduğunu izlemesi gereken yapay zeka ajanları için özellikle faydalıdır. Örneğin, "Kullanıcı Yürüyüşe İlgi Duyuyor" olgusu, 2024-05-12 tarihinde gerçekleşen "Conversational_turn_452" olay düğümüne bağlanır. Bu, ajanın yalnızca olguyu değil, yeniden doğrulama gerekiyorsa orijinal konuşma bağlamını da geri getirmesini sağlar.
class TemporalEvent:
def __init__(self, event_id, timestamp, source_interaction):
self.id = event_id
self.timestamp = timestamp
self.source = source_interaction
def extract_fact(self, subject, predicate, object, duration):
return Fact(
subject=subject,
predicate=predicate,
object=object,
valid_at=self.timestamp,
decay_rate=duration
)3. Olasılıksal Azalma ve Güven Şemaları
Ajan belleği nadiren %100 kesinlikte olur. Gelişmiş TKG şemaları, pekiştirilmezse zamanla azalan bir decay_function veya confidence_score içerir. Bu, insan biyolojik hafızasını taklit eder.
last_verified_at zaman damgasını initial_observed_at ile birlikte depolayarak, ajanlar eski olgular yerine yakın zamanda doğrulanmış olguları önceliklendirebilir. Şema, sert silme yerine "yumuşak silme"yi desteklemeli ve bağlam yeniden ortaya çıkarsa ajanların potansiyel olarak unutulmuş olgularla yeniden etkileşime girmesine izin vermelidir.
SELECT * FROM facts
WHERE subject = 'user_001'
AND valid_from <= NOW()
AND (valid_to IS NULL OR valid_to > NOW())
ORDER BY confidence DESC, last_verified_at DESC;Sonuç
Yapay zeka ajanları için zaman şemaları tasarlamak, doğru veritabanı motorunu seçmekten çok, belirli alanınızdaki zamanın semantiğini tanımlamakla ilgilidir. Açık aralıklar, olay odaklı düğümler veya olasılıksal azalma seçeneğini tercih etmeniz fark etmeksizin, hedef aynı kalır: ajanınıza zamanın geçişine saygı duyan bir hafıza vermek. Bu kalıpları uygulayarak, yalnızca bilgili değil, aynı zamanda bağlamsal, uyumlu ve tarihsel farkında ajanlar oluşturursunuz.