Le m\u00e9canisme des chatbots<\/h2>\n<\/div>\nRecallM est une architecture r\u00e9volutionnaire con\u00e7ue pour relever le d\u00e9fi de la cr\u00e9ation d’un m\u00e9canisme de m\u00e9moire \u00e0 long terme pour les chatbots bas\u00e9s sur les mod\u00e8les de langage de grande envergure (LLM)<\/a><\/strong>. Le m\u00e9canisme de m\u00e9moire \u00e0 long terme id\u00e9al pour les LLM devrait permettre l’apprentissage continu, le raisonnement complexe et la capacit\u00e9 \u00e0 comprendre les d\u00e9pendances s\u00e9quentielles et temporelles. RecallM vise \u00e0 atteindre cet objectif en d\u00e9pla\u00e7ant une partie du traitement des donn\u00e9es dans le domaine symbolique en utilisant une base de donn\u00e9es graphique au lieu d’une base de donn\u00e9es vectorielle. Cette approche innovante permet de capturer et de mettre \u00e0 jour des relations avanc\u00e9es entre les concepts, ce qui est difficile \u00e0 r\u00e9aliser avec les bases de donn\u00e9es vectorielles traditionnelles. <\/p>\n<\/div>\nL’innovation centrale de RecallM <\/a>r\u00e9side dans son utilisation d’une architecture neuronale l\u00e9g\u00e8re, temporelle, pour g\u00e9rer les relations avanc\u00e9es entre les concepts, ce qui n’est pas r\u00e9alisable avec une base de donn\u00e9es vectorielle. Il exploite un compteur d’index temporel global pour mod\u00e9liser les relations temporelles, permettant au syst\u00e8me de comprendre le contexte temporel des informations qu’il stocke. <\/p>\n<\/div>\n![\"chatbots\"](\"https:\/\/leyton.com\/ca\/wp-content\/blogs.dir\/3\/files\/2024\/01\/chatbot2-1.png\")
<\/figure>\n<\/div>\nQu’est-ce que RecallM ?<\/h2>\n<\/div>\nRecallM est \u00e9quip\u00e9 de deux processus principaux : la mise \u00e0 jour des connaissances et l’interrogation du syst\u00e8me.<\/strong> Le processus de mise \u00e0 jour des connaissances consiste \u00e0 extraire des concepts et des relations conceptuelles \u00e0 partir de texte en langage naturel, \u00e0 raciner les concepts pour \u00e9viter les doublons, et \u00e0 les stocker dans une base de donn\u00e9es graphique. Ce processus construit au fil du temps un graphe de connaissances complexe et persistant. <\/p>\n<\/div>\nDans le processus d’interrogation, RecallM <\/a>utilise les \u00e9tiquettes de concepts essentiels de la requ\u00eate de l’utilisateur pour r\u00e9cup\u00e9rer des contextes pertinents \u00e0 partir de la base de donn\u00e9es graphique. Il utilise un algorithme de parcours de graphe pour naviguer dans le graphe, en tenant compte des contraintes temporelles et des relations conceptuelles pour fournir une r\u00e9ponse compl\u00e8te \u00e0 la requ\u00eate de l’utilisateur. <\/p>\n<\/div>\nDe plus, RecallM <\/a>introduit le concept de Hybrid-RecallM, qui combine RecallM avec une approche traditionnelle de base de donn\u00e9es vectorielle. Cette architecture hybride tire parti des forces des deux syst\u00e8mes et utilise un mod\u00e8le de discrimination pour s\u00e9lectionner la r\u00e9ponse la plus appropri\u00e9e, offrant ainsi une approche \u00e9quilibr\u00e9e pour r\u00e9pondre aux questions. <\/p>\n<\/div>\nRecallM <\/a>a \u00e9t\u00e9 \u00e9valu\u00e9 \u00e0 travers diverses exp\u00e9riences. Il a d\u00e9montr\u00e9 sa capacit\u00e9 \u00e0 mettre \u00e0 jour les croyances intrins\u00e8ques du LLM en ing\u00e9rant des connaissances provenant de sources externes, am\u00e9liorant ainsi la v\u00e9racit\u00e9 et l’informativit\u00e9 des r\u00e9ponses. De plus, RecallM a \u00e9t\u00e9 test\u00e9 sur l’ensemble de donn\u00e9es DuoRC pour la r\u00e9ponse aux questions contextuelles, obtenant des r\u00e9sultats comp\u00e9titifs par rapport aux approches de bases de donn\u00e9es vectorielles. <\/p>\n<\/div>\nL’avenir de la technologie des chatbots<\/h2>\n<\/div>\nLes am\u00e9liorations futures de RecallM incluent la r\u00e9solution des pronoms, la mise en \u0153uvre de m\u00e9canismes dynamiques de fen\u00eatre temporelle pour l’interrogation, l’int\u00e9gration de syst\u00e8mes de raisonnement et l’am\u00e9lioration de l’interaction en langage naturel. Ces avanc\u00e9es ont le potentiel de faire de RecallM un composant fondamental dans la mod\u00e9lisation de la m\u00e9moire \u00e0 long terme pour les syst\u00e8mes d’Intelligence Artificielle G\u00e9n\u00e9rale (AGI). <\/a><\/strong><\/p>\n<\/div>\nLes entreprises qui innovent dans ce secteur sont susceptibles d’\u00eatre admissibles \u00e0 plusieurs programmes de financement<\/strong>, notamment des subventions gouvernementales<\/strong><\/a>et des cr\u00e9dit d\u2019imp\u00f4t de RS&DE<\/strong><\/a>.<\/p>\n<\/div>\nVous voulez en savoir plus sur les possibilit\u00e9s de financement pour votre projet ? Planifiez une consultation gratuite<\/strong><\/a> avec l’un de nos experts d\u00e8s aujourd’hui !<\/p>\n<\/div>\n
RecallM est une architecture r\u00e9volutionnaire con\u00e7ue pour relever le d\u00e9fi de la cr\u00e9ation d’un m\u00e9canisme de m\u00e9moire \u00e0 long terme pour les chatbots bas\u00e9s sur les mod\u00e8les de langage de grande envergure (LLM)<\/a><\/strong>. Le m\u00e9canisme de m\u00e9moire \u00e0 long terme id\u00e9al pour les LLM devrait permettre l’apprentissage continu, le raisonnement complexe et la capacit\u00e9 \u00e0 comprendre les d\u00e9pendances s\u00e9quentielles et temporelles. RecallM vise \u00e0 atteindre cet objectif en d\u00e9pla\u00e7ant une partie du traitement des donn\u00e9es dans le domaine symbolique en utilisant une base de donn\u00e9es graphique au lieu d’une base de donn\u00e9es vectorielle. Cette approche innovante permet de capturer et de mettre \u00e0 jour des relations avanc\u00e9es entre les concepts, ce qui est difficile \u00e0 r\u00e9aliser avec les bases de donn\u00e9es vectorielles traditionnelles. <\/p>\n L’innovation centrale de RecallM <\/a>r\u00e9side dans son utilisation d’une architecture neuronale l\u00e9g\u00e8re, temporelle, pour g\u00e9rer les relations avanc\u00e9es entre les concepts, ce qui n’est pas r\u00e9alisable avec une base de donn\u00e9es vectorielle. Il exploite un compteur d’index temporel global pour mod\u00e9liser les relations temporelles, permettant au syst\u00e8me de comprendre le contexte temporel des informations qu’il stocke. <\/p>\n RecallM est \u00e9quip\u00e9 de deux processus principaux : la mise \u00e0 jour des connaissances et l’interrogation du syst\u00e8me.<\/strong> Le processus de mise \u00e0 jour des connaissances consiste \u00e0 extraire des concepts et des relations conceptuelles \u00e0 partir de texte en langage naturel, \u00e0 raciner les concepts pour \u00e9viter les doublons, et \u00e0 les stocker dans une base de donn\u00e9es graphique. Ce processus construit au fil du temps un graphe de connaissances complexe et persistant. <\/p>\n Dans le processus d’interrogation, RecallM <\/a>utilise les \u00e9tiquettes de concepts essentiels de la requ\u00eate de l’utilisateur pour r\u00e9cup\u00e9rer des contextes pertinents \u00e0 partir de la base de donn\u00e9es graphique. Il utilise un algorithme de parcours de graphe pour naviguer dans le graphe, en tenant compte des contraintes temporelles et des relations conceptuelles pour fournir une r\u00e9ponse compl\u00e8te \u00e0 la requ\u00eate de l’utilisateur. <\/p>\n De plus, RecallM <\/a>introduit le concept de Hybrid-RecallM, qui combine RecallM avec une approche traditionnelle de base de donn\u00e9es vectorielle. Cette architecture hybride tire parti des forces des deux syst\u00e8mes et utilise un mod\u00e8le de discrimination pour s\u00e9lectionner la r\u00e9ponse la plus appropri\u00e9e, offrant ainsi une approche \u00e9quilibr\u00e9e pour r\u00e9pondre aux questions. <\/p>\n RecallM <\/a>a \u00e9t\u00e9 \u00e9valu\u00e9 \u00e0 travers diverses exp\u00e9riences. Il a d\u00e9montr\u00e9 sa capacit\u00e9 \u00e0 mettre \u00e0 jour les croyances intrins\u00e8ques du LLM en ing\u00e9rant des connaissances provenant de sources externes, am\u00e9liorant ainsi la v\u00e9racit\u00e9 et l’informativit\u00e9 des r\u00e9ponses. De plus, RecallM a \u00e9t\u00e9 test\u00e9 sur l’ensemble de donn\u00e9es DuoRC pour la r\u00e9ponse aux questions contextuelles, obtenant des r\u00e9sultats comp\u00e9titifs par rapport aux approches de bases de donn\u00e9es vectorielles. <\/p>\n Les am\u00e9liorations futures de RecallM incluent la r\u00e9solution des pronoms, la mise en \u0153uvre de m\u00e9canismes dynamiques de fen\u00eatre temporelle pour l’interrogation, l’int\u00e9gration de syst\u00e8mes de raisonnement et l’am\u00e9lioration de l’interaction en langage naturel. Ces avanc\u00e9es ont le potentiel de faire de RecallM un composant fondamental dans la mod\u00e9lisation de la m\u00e9moire \u00e0 long terme pour les syst\u00e8mes d’Intelligence Artificielle G\u00e9n\u00e9rale (AGI). <\/a><\/strong><\/p>\n Les entreprises qui innovent dans ce secteur sont susceptibles d’\u00eatre admissibles \u00e0 plusieurs programmes de financement<\/strong>, notamment des subventions gouvernementales<\/strong><\/a>et des cr\u00e9dit d\u2019imp\u00f4t de RS&DE<\/strong><\/a>.<\/p>\n Vous voulez en savoir plus sur les possibilit\u00e9s de financement pour votre projet ? Planifiez une consultation gratuite<\/strong><\/a> avec l’un de nos experts d\u00e8s aujourd’hui !<\/p>\n<\/figure>\nQu’est-ce que RecallM ?<\/h2>\n
L’avenir de la technologie des chatbots<\/h2>\n