Naukowcy z projektu Nous opublikowali artykuł naukowy rozwiązujący fundamental problem w pamięci agentów AI - jak podejmować niezawodne decyzje dotyczące bieżącego stanu, gdy dowody są zaszumione, skopiowane lub zdezaktualizowane. Zaproponowana metoda rozdziela proces na trzy etapy: uczenie, kalibrację i certyfikację poprawy, pokazując, że nie trzeba kalibrować źródła danych przed zoptymalizowaniem decyzji.
Rezultaty teoretyczne są znaczące: uczenie się nieznanego algorytmu decyzji Bayesa wymaga O(l-2) próbek danych, a certyfikacja poprawy nad istniejącym modelem wymaga tyle samo świeżych obserwacji. Tymczasem tradycyjna estymacja źródeł w stałej precyzji wymaga O(l-4) próbek - czterokrotnie więcej. Ta różnica rozpada się na quadratyczną przewagę nowej metody i pozostaje widoczna w szerszych klasach modeli.
Badania eksperymentalne potwierdzają teorię: Nous został przetestowany na 45 tysiącach mutujących historii stanów i 9 tysiącach epizodów w trzech środowiskach MiniGrid z szumnym interfejsem raportowania. Metoda zaakceptowała wszystkie dziewięć testowanych ulepszeń modelu, co sugeruje praktyczną użyteczność. Wynik ma znaczenie dla systemów z ograniczoną ilością danych treningowych, gdzie oszczędność w liczbie wymaganych obserwacji może być krytyczna.