En el vertiginós ecosistema de la intel·ligència artificial, els agents basats en models de llenguatge (LLM) estan evolucionant cap a assistents capaços de mantenir converses prolongades i executar tasques complexes al llarg de múltiples sessions. Tanmateix, la memòria a llarg termini continua sent un coll d'ampolla crític. Els benchmarks tradicionals se centren en recuperacions d'un sol salt, deixant sense mesurar la capacitat de realitzar associacions multi-salt, essencials per a un raonament contextual profund. Recentment, la proposta de ProGraph (Profile-Graph Memory) ha emergit com una arquitectura innovadora que aborda precisament aquest repte, combinant expansió de perfils i residuals de compressió per aconseguir un rendiment excepcional. Aquest avenç no només redefineix com els agents LLM gestionen la informació, sinó que també obre noves oportunitats per a empreses que busquen integrar solucions d'IA robustes en les seves operacions.
Per comprendre l'impacte de ProGraph, primer hem d'analitzar el context. El benchmark MemHop, presentat juntament amb aquesta arquitectura, consta de 1.000 preguntes amb profunditats de salt d'1 a 5 en escenaris de xarxes socials, acompanyades d'anotacions d'evidència per salt. Aquest benchmark revela una mancança fonamental en els sistemes actuals: la incapacitat de connectar informació dispersa a través de múltiples passos lògics. Per exemple, un agent que ha de recordar no només el nom d'un contacte, sinó també la seva data de naixement i el regal que se li va comprar en una conversa anterior, necessita una memòria estructurada que vagi més enllà de la simple recuperació textual. Aquí és on ProGraph marca la diferència.
L'arquitectura ProGraph es compon de dues capes principals. La primera és l'expansió de perfils, que utilitza un recorregut de subcadenes sobre noms d'entitats que apareixen de forma natural en narratives de perfil escrites pel mateix LLM. Aquesta tècnica minimalista evita la construcció explícita d'un graf de coneixement, reduint la complexitat computacional i els costos d'API. En lloc de modelar relacions complexes, el sistema es recolza en la co-ocurrència textual dins dels perfils generats, aconseguint una recuperació eficient d'informació multi-salt. La segona capa són els residuals de compressió: dates exactes, quantitats i elements nomenats que s'extreuen juntament amb cada actualització de perfil, sense cost addicional d'API. Aquests residuals actuen com ancoratges de precisió per a tasques que requereixen recuperació exacta, com localitzar un número de comanda o una data concreta.
Els resultats experimentals són contundents. Al benchmark MemHop, ProGraph assoleix un 80,1% d'encert, igualant la referència FullContext que té accés a tota la informació. A LoCoMo, un altre benchmark de memòria conversacional, supera FullContext en 11,3 punts percentuals, aconseguint un 78,4%. L'ablació completa mostra una especialització creuada de mecanismes: l'expansió de perfils impulsa el raonament multi-salt (una caiguda de 22,6 punts percentuals a MemHop en eliminar-la), mentre que els residuals de compressió milloren la precisió en recuperació (una caiguda de 8,6 punts percentuals a LoCoMo en no co-extreure'ls). Els efectes creuats entre capes són inferiors a 3 punts percentuals, cosa que demostra una arquitectura ben dissenyada i modular.
Des d'una perspectiva empresarial, ProGraph representa una oportunitat per integrar agents d'IA amb memòria persistent en aplicacions pràctiques. Imaginem un sistema d'atenció al client que recorda l'historial complet d'interaccions, preferències i problemes resolts al llarg de setmanes. O un assistent de vendes que connecta mencions de productes en diferents canals per oferir recomanacions personalitzades. A Q2BSTUDIO, empresa especialitzada en el desenvolupament d'aplicacions a mida, veiem un enorme potencial en l'adopció d'arquitectures com ProGraph per construir solucions d'IA veritablement contextuals. La nostra experiència en software a mida ens permet adaptar aquests conceptes a les necessitats específiques de cada client, ja sigui en el sector retail, financer o sanitari.
La implementació d'aquest tipus de memòria requereix una infraestructura sòlida. Aquí és on entren en joc els serveis cloud d'AWS i Azure, que proporcionen l'escalabilitat i la capacitat de processament necessàries per gestionar grans volums de dades conversacionals. A Q2BSTUDIO oferim serveis cloud AWS/Azure per desplegar i gestionar aquestes arquitectures, garantint alta disponibilitat i seguretat. A més, la ciberseguretat és un pilar fonamental quan es manegen dades sensibles d'usuaris; les nostres solucions de ciberseguretat inclouen pentesting i auditories per protegir la informació emmagatzemada a la memòria dels agents.
Un altre aspecte clau és la integració amb sistemes d'intel·ligència de negoci. Els residuals de compressió, com dates i quantitats, són perfectes per alimentar dashboards de BI/Power BI, permetent a les empreses visualitzar patrons d'interacció i optimitzar els seus processos. A Q2BSTUDIO desenvolupem solucions de BI/Power BI que es connecten directament amb els agents d'IA, proporcionant informes en temps real sobre el rendiment de la memòria i la qualitat de les respostes.
L'automatització de processos també es beneficia d'aquesta arquitectura. Els agents amb memòria ProGraph poden gestionar fluxos de treball complexos que requereixen recordar passos anteriors, com la tramitació de sol·licituds o la coordinació de tasques entre equips. El nostre servei d'automatització de processos integra aquests agents per reduir la intervenció manual i augmentar l'eficiència operativa.
En conclusió, ProGraph no és només un avenç acadèmic; és una eina pràctica que pot transformar la forma en què les empreses interactuen amb els seus clients i gestionen la informació. A Q2BSTUDIO estem preparats per ajudar les organitzacions a adoptar aquestes tecnologies, combinant la nostra experiència en desenvolupament de aplicacions a mida, IA, cloud i ciberseguretat per crear agents intel·ligents amb memòria duradora. L'era dels assistents que recorden ha arribat, i la personalització contextual és la clau de l'èxit.
