Så bygger AI-assistenter minne: De omvandlar arbete till återanvändbar kunskap

De flesta AI-produkter behandlar minne som en personlig funktion – de kommer ihåg fakta om en användare eller en konversation. Men AI som samarbetar med olika team behöver en helt annan typ av minne. AI-system blir mer användbara när de kan bygga vidare på vad de har lärt sig tidigare. Men i programvara för företag handlar minne inte bara om att lagra mer sammanhang. Det svårare problemet är att göra minnet användbart i delat arbete samtidigt som det förblir inspekterbart, kontrollerbart och behörighetsmedvetet.

Det är den utmaningen vi vill lösa med AI-assistenter.

AI-assistenter arbetar i en annan miljö. De samarbetar i delade uppgifter, projekt och dokument. De får feedback från flera personer. De arbetar i olika system. Och de måste bli bättre med tiden utan att bli en svart låda full av dold kontext som ingen kan granska.

Det skapar ett annat designproblem. En AI-assistent behöver ett sätt att lära sig av genomförandet, hämta relevant kunskap senare och förklara hur den kunskapen påverkade dess handlingar. Samtidigt kan den inte behandla all tidigare information som globalt återanvändbar. Vad den kommer ihåg och vad den kan använda måste respektera samma gränser som styr det underliggande arbetet.

I praktiken innebär det att minnet blir en del av vår samarbetsarkitektur i företagsklass. Det kopplar samman inlärning, hämtning, åtkomstkontroll och transparens i ett enda system.

Från engångssammanhang till återanvändbar kunskap

Den enklaste versionen av en AI-assistent börjar om från början varje gång. Du ger den en prompt, kanske bifogar några filer, och den försöker hjälpa till inom den enda interaktionen. Det kan fungera för enskilda förfrågningar, men det misslyckas snabbt i långvariga teamarbetsflöden.

En mänsklig medarbetare svarar inte bara på det nuvarande meddelandet. Hen kommer ihåg teamets föredragna process, exemplen som definierar bra resultat, de dokument som är viktiga, den feedback hen fick förra veckan och projektsammanhanget som formar hur arbetet ska utföras. Om AI-assistenter ska kännas som riktiga medarbetare behöver de ett sätt att samla på sig samma typ av arbetskunskap.

För oss innebar det att bygga ett enhetligt minneslager som omfattar hela livscykeln för kunskap:

• Hur minnen skapas

• Hur de hämtas under framtida utföranden

• Hur de är kopplade till arbetsdiagrammet – Asanas strukturerade datamodell som kopplar samman uppgifter, projekt, personer och mål i en organisation

• Hur användare inspekterar och styr vad teamkollegan har lärt sig

Den sista punkten är viktigare än den först verkar. Ett kraftfullt minnessystem som ingen kan inspektera eller korrigera skapar inte förtroende. Det skapar ett nytt felläge.

Så skapar AI-assistenter minne

Ett av de första designvalen vi gjorde var att identifiera de rätta ögonblicken för en teamkollega att generera minnen.

En minnestyp härleds under eller efter genomförandet. När en teamkollega arbetar igenom en uppgift stöter den på instruktioner, läser resurser, vidtar åtgärder och får feedback. En del av den informationen är övergående. En del av den är beständig och värd att återanvändas. En användare kan till exempel ge feedback som ”kopiera alltid datamodellgranskaren i de här uppgifterna”. Ett annat exempel är när en teamkollega läser igenom ett projekt och kan lära sig saker om projektets syfte (till exempel Projekt X innehåller resurser om bästa praxis för organisationens marknadsföringskampanj). Det är starka kandidater för varaktigt minne.

En annan typ av minne är explicit. Användare kan ge vägledning direkt i stället för att vänta på att systemet ska dra slutsatser. Detta är särskilt viktigt när målet inte är att dra lärdom av tidigare arbete, utan att lära teamkollegan hur man beter sig i ett bredare arbetssammanhang eller hur man använder en viss resurs.

Denna explicita väg blir särskilt effektiv för resurslänkat minne. En användare kan ge en teamkollega åtkomst till ett dokument och sedan förklara vilken roll resursen ska ha. Är det ett processdokument som förklarar hur teamet kommunicerar? Ett referensdokument som innehåller domänkunskap? En mall som ska forma framtida arbete? Skillnaden är viktig eftersom samma källmaterial kan användas på mycket olika sätt beroende på användarens avsikt.

Varje gång ett minne skapas skapar vi ”minnesassociationer”, i princip hänvisningar till de arbetsdiagramobjekt som minnet handlar om eller är relevant för. Det kan till exempel vara projektet som minnet beskriver eller en Google Dokument-resurs som en användare har laddat upp. Som vi kommer att beskriva närmare i den här artikeln är dessa associationer avgörande för hur vi hämtar minnen och säkerställer korrekt åtkomstkontroll.

Så hämtar AI-assistenter minnen

Ett minnessystem är bara så bra som dess hämtningsmodell. Att lagra användbara lärdomar räcker inte om rätt kunskap inte dyker upp vid rätt tidpunkt.

För AI-assistenter fungerar hämtning som ett system med två spår.

Det första spåret är inhämtning vid utförandets början. När en teamkollega börjar arbeta med en uppgift får den en uppsättning relevanta minnen innan den börjar fatta beslut. Dessa kan omfatta fästa instruktioner som alltid ska gälla, tidigare lärdomar som matchar det nuvarande arbetet eller kunskap på högre nivå som verkar relevant baserat på sökning eller semantisk likhet.

Det andra spåret är kontextuell hämtning under genomförandet. När en teamkollega läser en specifik uppgift, ett projekt eller ett annat objekt får den också minnen som är kopplade till det objektet. Det här är viktigt eftersom viss kunskap i allmänhet inte är relevant i abstrakt bemärkelse. Den blir relevant eftersom teamkollegan nu tittar på en viss del av arbetsdiagrammet.

Den kombinationen ger systemet en användbar balans. Teamkollegan kan börja med en bred uppsättning av sannolikt relevant kunskap och sedan få mer exakt kontext när hen läser sig djupare in i arbetet.

Göra minnet operativt

Ett av de viktigaste designvalen var att representera minnet som något operativt snarare än mystiskt. I vår datamodell är minnet ett konkret objekt med innehåll, metadata och associationer.

En minnesassociering fångar ett arbetsdiagramobjekt som minnet handlar om eller är relevant för. Detta gör det möjligt för oss att uttryckligen sätta ett minne i sitt sammanhang i det bredare arbetsdiagrammet, i stället för att ha minnen som inte är kopplade till det sammanhang som minnet fångar. 

Åtkomstkontroll formar hela designen

Företagsminnessystem blir mycket svårare i samma ögonblick som flera personer, projekt och behörigheter är inblandade.

En AI-personalassistent kan ofta behandla minnet som en enkel förlängning av en användares historik. Men en teamkollega som arbetar med delat arbete och kan utlösas av flera personer kan inte göra det på ett säkert sätt. Varje minne som systemet skapar härrör från verkligt underliggande arbete: uppgifter, kommentarer, dokument, projekt och tidigare utföranden. Om minnet tilläts flyta fritt från dessa källor skulle det kunna bli en kanal för att läcka information över behörighetsgränser.

Därför måste minnet i AI-assistenter ärva samma logik för åtkomstkontroll som arbetet det kom från.

Varje minneshämtning begränsas till den som utlöste exekveringen. Teamkollegan kan bara komma åt ett minne om den personen har insyn i arbetet som skapade det – de uppgifter, kommentarer, dokument eller projekt som är inblandade. Samma regel gäller för associationer: om ett minne refererar till ett Asana-objekt, till exempel en uppgift eller ett projekt, visas det bara när den utlösande användaren också kan se det objektet. Med andra ord ser en AI-assistent aldrig något som den person som utlöste den inte redan kunde se.

Transparens sluter cirkeln

Den sista pusselbiten är synlighet. Om en teamkollega använder minnet för att vägleda en åtgärd behöver användarna ett sätt att förstå den påverkan.

Det börjar med själva det inspekterbara minnet. Användare bör kunna se minnena som en teamkollega har och radera minnen som kan vara felaktiga eller inaktuella. Dessutom kan systemet, när en teamkollega utför en åtgärd, visa vilka minnen som överfördes till utförandekontexten och vilka som skapades under utförandet.

Istället för att fråga ”varför gjorde AI det?” i abstrakt bemärkelse, kan en användare spåra beteendet tillbaka till en specifik inlärd instruktion, resursminne eller tillhörande kontextobjekt. Lösningen blir konkret: redigera minnet, ta bort det, uppdatera källan eller lägg till bättre vägledning.

Om en teamkollega till exempel formaterar en rapport på ett annat sätt än väntat, kan en användare kontrollera dess minnen för att se att den lärde sig en formateringspreferens från en annan teammedlems feedback förra veckan och uppdatera eller ta bort det minnet för att ändra beteendet.

Det är därför minne och transparens måste utformas tillsammans. En teamkollega som lär sig över tid är mer kraftfull. En teamkollega som lär sig osynligt är svårare att lita på.

Varför det här är viktigt

I vårt tidigare inlägg utforskade vi hur AI-assistenter arbetar transparent i gemensamma teamutrymmen. Minnet är det lager som gör samarbetet mer effektivt: systemet lär sig av delat arbete, hämtar den kunskapen när det är viktigt och gör det inom samma förtroendegränser som styr själva arbetet. 

Den djupare lärdomen är att teambaserad AI behöver mer än ett större sammanhangsfönster. Den behöver en modell för att omvandla samarbete till varaktig, återanvändbar och styrbar kunskap.

I nästa inlägg kommer vi att titta på hur vi utvärderar och väljer de språkmodeller som driver det här resonemanget.

Den här artikeln skrevs av Anant Tibrewal, en tekniker i AI-assistentteamet, där han arbetar med att bygga och skala Asanas samarbetsbaserade agentiska AI-produkt.