Naukowcy z arXiv zaproponowali rewolucyjne podejście do zarządzania wiedzą w agentach AI pracujących w zmiennych warunkach biznesowych - framework nazywany odwracalnym zapominaniem. Zamiast tradycyjnie traktować zapominanie jako porażkę systemu, badacze argumentują, że dla przedsiębiorstw działających w niestacjonarnych środowiskach indyskryminacyjne przechowywanie wszystkich poprzednich informacji może być szkodliwe, prowadząc do negatywnego transferu wiedzy i ryzyka operacyjnego.
Proponowany framework wprowadza trzy stany pamięci: aktywny, dormantny i wycofany, wraz z możliwością reaktywacji. Praktyczną implementacją jest Hysteretic Reversible Memory Controller - system, który gromadzi dowody trafności informacji, wykorzystuje asymetryczne progi decyzyjne, aby zapobiec oscylacjom między stanami, testuje reaktywację w trybie shadow, i kontroluje wycofanie poprzez polityki biznesowe. Podejście rozróżnia czasową supresję od trwałego usunięcia wiedzy.
Framework jest szczególnie istotny dla sektora finansowego, gdzie wiedza użyteczna w jednym reżimie rynkowym może stać się szkodliwa w innym, ale ponownie zyskać wartość, gdy podobne warunki się powtórzą. To rozwiązanie otwiera nowe możliwości dla agentów AI operujących w dynamicznych, regulacyjnie zmiennych środowiskach, gdzie zarządzanie kontekstem i czasem życia wiedzy jest kluczowe dla niezawodności systemu.