Memanto to nowy system pamięci semantycznej, który wykorzystuje teorię informacji do wydajnego przechowywania i wyszukiwania informacji dla agentów AI pracujących przez długie okresy czasu. Innowacja polega na połączeniu typizacji danych z retrieval-em opartym na miarach informacyjnych, co pozwala modelom na bardziej efektywne zarządzanie wiedzą i dostęp do najistotniejszych informacji w krytycznych momentach.
Problem, który rozwiązuje Memanto, jest fundamentalny dla współczesnych systemów AI działających w długoterminowych zadaniach. Agenty muszą gromadzić ogromne ilości danych, ale nie każdy fragment jest równie ważny. Dotychczasowe podejścia do pamięci semantycznej słabo radzą sobie z filtrowaniem informacji pod kątem ich rzeczywistej użyteczności. Teoriosztormacyjne podejście Memanto pozwala na inteligentne ocenienie, które elementy wiedzy faktycznie wpłyną na przyszłe decyzje systemu i powinny być zachowane z wyższym priorytetem.
Praktycznym efektem jest agentów AI, które mogą działać bardziej niezawodnie i efektywnie w scenariuszach wymagających zapamiętania kontekstu z wielu poprzednich interakcji. System znajduje zastosowanie zarówno w asystentach konwersacyjnych działających przez miesiące, jak i w robotyce autonomicznej, gdzie agent musi pamiętać wcześniejsze obserwacje i wnioski. Memanto pokazuje, że kodowanie pamięci przez pryzmat teorii informacji może znacząco poprawić jakość działania współczesnych dużych modeli językowych w długoterminowych zastosowaniach.