In diesem Tutorial untersuchen wir, wie man Agentensysteme aufbaut, die über eine einzelne Interaktion hinausdenken, indem Speicher als Kernfunktion genutzt wird. Wir gehen durch, wie wir das episodische Gedächtnis zum Speichern von Erfahrungen und das semantische Gedächtnis zum Erfassen langfristiger Muster entwerfen, sodass der Agent sein Verhalten über mehrere Sitzungen hinweg weiterentwickeln kann. Während wir planen, handeln, überarbeiten und reflektieren, beobachten wir, wie sich der Agent allmählich an die Präferenzen des Benutzers anpasst und autonomer wird. Am Ende verstehen wir, wie gedächtnisgesteuertes Denken uns hilft, Agenten zu schaffen, die sich bei jeder Interaktion kontextbezogener, konsistenter und intelligenter anfühlen. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

import numpy as np
from collections import defaultdict
import json
from datetime import datetime
import pickle


class EpisodicMemory:
   def __init__(self, capability=100):
       self.capability = capability
       self.episodes = ()
      
   def retailer(self, state, motion, consequence, timestamp=None):
       if timestamp is None:
           timestamp = datetime.now().isoformat()
       episode = {
           'state': state,
           'motion': motion,
           'consequence': consequence,
           'timestamp': timestamp,
           'embedding': self._embed(state, motion, consequence)
       }
       self.episodes.append(episode)
       if len(self.episodes) > self.capability:
           self.episodes.pop(0)
  
   def _embed(self, state, motion, consequence):
       textual content = f"{state} {motion} {consequence}".decrease()
       return hash(textual content) % 10000
  
   def retrieve_similar(self, query_state, ok=3):
       if not self.episodes:
           return ()
       query_emb = self._embed(query_state, "", "")
       scores = ((abs(ep('embedding') - query_emb), ep) for ep in self.episodes)
       scores.kind(key=lambda x: x(0))
       return (ep for _, ep in scores(:ok))
  
   def get_recent(self, n=5):
       return self.episodes(-n:)


class SemanticMemory:
   def __init__(self):
       self.preferences = defaultdict(float)
       self.patterns = defaultdict(checklist)
       self.success_rates = defaultdict(lambda: {'success': 0, 'whole': 0})
      
   def update_preference(self, key, worth, weight=1.0):
       self.preferences(key) = 0.9 * self.preferences(key) + 0.1 * weight * worth
  
   def record_pattern(self, context, motion, success):
       pattern_key = f"{context}_{motion}"
       self.patterns(context).append((motion, success))
       self.success_rates(pattern_key)('whole') += 1
       if success:
           self.success_rates(pattern_key)('success') += 1
  
   def get_best_action(self, context):
       if context not in self.patterns:
           return None
       action_scores = defaultdict(lambda: {'success': 0, 'whole': 0})
       for motion, success in self.patterns(context):
           action_scores(motion)('whole') += 1
           if success:
               action_scores(motion)('success') += 1
       best_action = max(action_scores.gadgets(), key=lambda x: x(1)('success') / max(x(1)('whole'), 1))
       return best_action(0) if best_action(1)('whole') > 0 else None
  
   def get_preference(self, key):
       return self.preferences.get(key, 0.0)

Wir definieren die Kernspeicherstrukturen, auf die sich unser Agent verlässt. Wir bauen ein episodisches Gedächtnis auf, um spezifische Erfahrungen zu erfassen, und ein semantisches Gedächtnis, um Muster im Laufe der Zeit zu verallgemeinern. Indem wir diese Grundlagen schaffen, bereiten wir den Agenten darauf vor, aus Interaktionen zu lernen, so wie es Menschen tun. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

class MemoryAgent:
   def __init__(self):
       self.episodic_memory = EpisodicMemory(capability=50)
       self.semantic_memory = SemanticMemory()
       self.current_plan = ()
       self.session_count = 0
      
   def understand(self, user_input):
       user_input = user_input.decrease()
       if any(phrase in user_input for phrase in ('suggest', 'recommend', 'what ought to')):
           intent="advice"
       elif any(phrase in user_input for phrase in ('bear in mind', 'favor', 'like', 'favourite')):
           intent="preference_update"
       elif any(phrase in user_input for phrase in ('do', 'full', 'end', 'activity')):
           intent="task_execution"
       else:
           intent="dialog"
       return {'intent': intent, 'uncooked': user_input}
  
   def plan(self, state):
       intent = state('intent')
       user_input = state('uncooked')
       similar_episodes = self.episodic_memory.retrieve_similar(user_input, ok=3)
       plan = ()
       if intent == 'advice':
           genre_prefs = {ok: v for ok, v in self.semantic_memory.preferences.gadgets() if 'genre_' in ok}
           if genre_prefs:
               best_genre = max(genre_prefs.gadgets(), key=lambda x: x(1))(0)
               plan.append(('suggest', best_genre.exchange('genre_', '')))
           else:
               plan.append(('suggest', 'normal'))
       elif intent == 'preference_update':
           genres = ('sci-fi', 'fantasy', 'thriller', 'romance', 'thriller')
           detected_genre = subsequent((g for g in genres if g in user_input), None)
           if detected_genre:
               plan.append(('update_preference', detected_genre))
       elif intent == 'task_execution':
           best_action = self.semantic_memory.get_best_action('activity')
           if best_action:
               plan.append(('execute', best_action))
           else:
               plan.append(('execute', 'default'))
       self.current_plan = plan
       return plan

Wir konstruieren die Wahrnehmungs- und Planungssysteme des Agenten. Wir verarbeiten die Eingaben des Benutzers, erkennen Absichten und erstellen Pläne, indem wir die zuvor gebildeten Erinnerungen nutzen. Wir beginnen zu gestalten, wie der Agent seine nächsten Aktionen begründet und entscheidet. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

 def act(self, motion):
       action_type, param = motion
       if action_type == 'suggest':
           if param == 'normal':
               return f"Let me be taught your preferences first! What genres do you get pleasure from?"
           return f"Based mostly in your preferences, I like to recommend exploring {param}!"
       elif action_type == 'update_preference':
           self.semantic_memory.update_preference(f'genre_{param}', 1.0, weight=1.0)
           return f"Received it! I am going to bear in mind you get pleasure from {param}."
       elif action_type == 'execute':
           return f"Executing activity with technique: {param}"
       return "Motion accomplished"
  
   def revise_plan(self, suggestions):
       if 'no' in suggestions.decrease() or 'incorrect' in suggestions.decrease():
           if self.current_plan:
               action_type, param = self.current_plan(0)
               if action_type == 'suggest':
                   genre_prefs = sorted(
                       ((ok, v) for ok, v in self.semantic_memory.preferences.gadgets() if 'genre_' in ok),
                       key=lambda x: x(1),
                       reverse=True
                   )
                   if len(genre_prefs) > 1:
                       new_genre = genre_prefs(1)(0).exchange('genre_', '')
                       self.current_plan = (('suggest', new_genre))
                       return True
       return False
  
   def replicate(self, state, motion, consequence, success):
       self.episodic_memory.retailer(state('uncooked'), str(motion), consequence)
       self.semantic_memory.record_pattern(state('intent'), str(motion), success)

Wir definieren, wie der Agent Aktionen ausführt, seine Entscheidungen revidiert, wenn das Suggestions den Erwartungen widerspricht, und wie er durch die Speicherung von Erfahrungen reflektiert. Wir verbessern kontinuierlich das Verhalten des Agenten, indem wir ihn aus jeder Runde lernen lassen. Durch diese Schleife machen wir das System anpassungsfähig und selbstkorrigierend. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

 def run_session(self, user_inputs):
       self.session_count += 1
       print(f"n{'='*60}")
       print(f"SESSION {self.session_count}")
       print(f"{'='*60}n")
       outcomes = ()
       for i, user_input in enumerate(user_inputs, 1):
           print(f"Flip {i}")
           print(f"Person: {user_input}")
           state = self.understand(user_input)
           plan = self.plan(state)
           if not plan:
               print("Agent: I am unsure what to do with that.n")
               proceed
           response = self.act(plan(0))
           print(f"Agent: {response}n")
           success="suggest" in plan(0)(0) or 'replace' in plan(0)(0)
           self.replicate(state, plan(0), response, success)
           outcomes.append({
               'flip': i,
               'enter': user_input,
               'intent': state('intent'),
               'motion': plan(0),
               'response': response
           })
       return outcomes

Wir simulieren reale Interaktionen, bei denen der Agent mehrere Benutzereingaben innerhalb einer einzigen Sitzung verarbeitet. Wir beobachten, wie sich der Zyklus Wahrnehmen → Planen → Handeln → Reflektieren immer wieder entfaltet. Während wir Sitzungen durchführen, sehen wir, wie der Agent nach und nach personalisierter und intelligenter wird. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

def evaluate_memory_usage(agent):
   print("n" + "="*60)
   print("MEMORY ANALYSIS")
   print("="*60 + "n")
   print(f"Episodic Reminiscence:")
   print(f"  Complete episodes saved: {len(agent.episodic_memory.episodes)}")
   if agent.episodic_memory.episodes:
       print(f"  Oldest episode: {agent.episodic_memory.episodes(0)('timestamp')}")
       print(f"  Newest episode: {agent.episodic_memory.episodes(-1)('timestamp')}")
   print(f"nSemantic Reminiscence:")
   print(f"  Discovered preferences: {len(agent.semantic_memory.preferences)}")
   for pref, worth in sorted(agent.semantic_memory.preferences.gadgets(), key=lambda x: x(1), reverse=True)(:5):
       print(f"    {pref}: {worth:.3f}")
   print(f"n  Motion patterns discovered: {len(agent.semantic_memory.patterns)}")
   print(f"n  Success charges by context-action:")
   for key, stats in checklist(agent.semantic_memory.success_rates.gadgets())(:5):
       if stats('whole') > 0:
           charge = stats('success') / stats('whole')
           print(f"    {key}: {charge:.2%} ({stats('success')}/{stats('whole')})")


def compare_sessions(results_history):
   print("n" + "="*60)
   print("CROSS-SESSION ANALYSIS")
   print("="*60 + "n")
   for i, ends in enumerate(results_history, 1):
       recommendation_quality = sum(1 for r in outcomes if 'preferences' in r('response').decrease())
       print(f"Session {i}:")
       print(f"  Turns: {len(outcomes)}")
       print(f"  Customized responses: {recommendation_quality}")

Wir analysieren, wie effektiv der Agent seine Erinnerungen nutzt. Wir überprüfen gespeicherte Episoden, erlernte Präferenzen und Erfolgsmuster, um zu bewerten, wie sich der Agent entwickelt. Schauen Sie sich das an VOLLSTÄNDIGE CODES hier.

def run_demo():
   agent = MemoryAgent()
   print("n SCENARIO: Agent learns consumer preferences over a number of periods")
   session1_inputs = (
       "Hello, I am searching for one thing to learn",
       "I actually like sci-fi books",
       "Are you able to suggest one thing?",
   )
   results1 = agent.run_session(session1_inputs)
   session2_inputs = (
       "I am bored, what ought to I learn?",
       "Really, I additionally get pleasure from fantasy novels",
       "Give me a advice",
   )
   results2 = agent.run_session(session2_inputs)
   session3_inputs = (
       "What do you recommend for tonight?",
       "I am within the temper for thriller too",
       "Advocate one thing primarily based on what you recognize about me",
   )
   results3 = agent.run_session(session3_inputs)
   evaluate_memory_usage(agent)
   compare_sessions((results1, results2, results3))
   print("n" + "="*60)
   print("EPISODIC MEMORY RETRIEVAL TEST")
   print("="*60 + "n")
   question = "suggest sci-fi"
   comparable = agent.episodic_memory.retrieve_similar(question, ok=3)
   print(f"Question: '{question}'")
   print(f"Retrieved {len(comparable)} comparable episodes:n")
   for ep in comparable:
       print(f"  State: {ep('state')}")
       print(f"  Motion: {ep('motion')}")
       print(f"  Final result: {ep('consequence')(:50)}...")
       print()


if __name__ == "__main__":
   print("="*60)
   print("MEMORY & LONG-TERM AUTONOMY IN AGENTIC SYSTEMS")
   print("="*60)
   run_demo()
   print("n Tutorial full! Key takeaways:")
   print("  • Episodic reminiscence shops particular experiences")
   print("  • Semantic reminiscence generalizes patterns")
   print("  • Brokers enhance suggestions over periods")
   print("  • Reminiscence retrieval guides future choices")

Wir bringen alles zusammen, indem wir mehrere Sitzungen durchführen und den Speicherabruf testen. Wir beobachten, wie sich der Agent über Interaktionen hinweg verbessert und verfeinern Empfehlungen auf der Grundlage des gesammelten Wissens. Diese umfassende Demo veranschaulicht, wie sich aus den von uns entwickelten Speichersystemen auf natürliche Weise langfristige Autonomie ergibt.

Zusammenfassend erkennen wir, wie die Kombination aus episodischem und semantischem Gedächtnis es uns ermöglicht, Agenten zu entwickeln, die kontinuierlich lernen und im Laufe der Zeit immer bessere Entscheidungen treffen. Wir beobachten, wie der Agent Empfehlungen verfeinert, Pläne anpasst und vergangene Erfahrungen abruft, um seine Reaktionen Sitzung für Sitzung zu verbessern. Durch diese Mechanismen sehen wir, wie aus einfachen, aber effektiven Gedächtnisstrukturen langfristige Autonomie entsteht.

Schauen Sie sich das an VOLLSTÄNDIGE CODES hier. Schauen Sie sich gerne bei uns um GitHub-Seite für Tutorials, Codes und Notebooks. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Asif Razzaq ist CEO von Marktechpost Media Inc.. Als visionärer Unternehmer und Ingenieur setzt sich Asif dafür ein, das Potenzial der künstlichen Intelligenz für das soziale Wohl zu nutzen. Sein jüngstes Unterfangen ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch eine ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die sowohl technisch fundiert als auch für ein breites Publikum leicht verständlich ist. Die Plattform verfügt über mehr als 2 Millionen monatliche Aufrufe, was ihre Beliebtheit beim Publikum verdeutlicht.

Folgen Sie MARKTECHPOST: Fügen Sie uns als bevorzugte Quelle bei Google hinzu.

KI verändert unzählige Branchen. Die Auswirkungen in einigen Branchen sind offensichtlich, wie Softwareentwicklung. Es hat jedoch auch einen enormen Einfluss auf die Zukunft der chemischen Produktion.

Künstliche Intelligenz und Datenanalysen transformieren die chemische Analyse und ermöglichen in allen Branchen schnellere und genauere Ergebnisse. Im pharmazeutischen Sektor revolutioniert KI die Entdeckung der Arzneimittel, wobei der QA -Berater Damla Varol berichtet 80% der Branchenprofis verwenden es bereits Forschung zu beschleunigen und potenzielle Verbindungen effizienter zu lenken.

„Die pharmazeutische Industrie entwickelt sich schnell weiter, und die Anzahl der KI -Anwendungsintegrationen nimmt von Tag zu Tag zu und verändert jede Facette von pharmazeutischen Prozessen von der Erkennung von Arzneimitteln bis zum Lieferkettenmanagement. AI -Anwendungen können bis 2025 möglicherweise einen jährlichen Wert zwischen 350 und 410 Milliarden US -Greenback für den jährlichen Wert für Pharmaunternehmen schaffen. Der Pharmamarkt wird voraussichtlich auf einer CAGR von 42,68percentwachsen, was einem Wachstum von etwa 15 Milliarden US -Greenback zwischen 2024 und 2029 entspricht. “ Varol berichtet.

KI -Modelle können riesige Datensätze scannen, molekulare Wechselwirkungen vorhersagen und die Kosten und die Zeit reduzieren, die benötigt werden, um neue Medikamente auf den Markt zu bringen. Diese Fähigkeit beschleunigt die Entscheidungsfindung und minimiert Versuchs- und Errorprozesse, und die Ergebnisse führen zu Innovationen, die Jahrzehnte mit traditionellen Methoden dauern würden.

Die KI im Chemikalienmarkt hat weltweit eine robuste Growth. im Wert von 943,0 Mio. USD im Jahr 2023 und prognostiziert, um eine CAGR von 27,8% zu erreichen im Jahr 2024-2030. Das Wachstum weist auf eine erhöhte Einführung von Lösungen auf KI-basierten Lösungen für die Prozessoptimierung, die Materialentwicklung und die Qualitätsprüfung hin. Datenanalyse- und KI -Unternehmen helfen Unternehmen bei der Verfeinerung der Fertigung, der Erkennung chemischer Zusammensetzung und genauer gesagt regulatorischer Einhaltung. Da die Industrien diese Technologien umfassen, muss die AI-herzbezogene chemische Analyse der Katalysator für Innovation und Effizienz sein und die Zukunft der Materialwissenschaft und der Fertigung dorthin bringen, wo sie sich befindet.

Präzision und Element treiben moderne Forschung und Industrie vor und machen fortschrittliche Instrumente für chemische Analysen wesentlich. Diese Technologien entdecken Muster in komplexen Substanzen, die zu Pharmazeutika, Umweltwissenschaften und Durchbrüchen der Lebensmittelsicherheit führen. Das Verständnis dieser Instruments ist der Schlüssel zur Verbesserung der Effizienz und Effektivität in den Branchen, da die Nachfrage nach Innovation zunimmt. Es wird zu einen enormen Einfluss auf die Drogenentwicklung haben.

Die Kraft der fortschrittlichen chemischen Analyse

Die chemische Analyse ist in verschiedenen Sektoren, einschließlich Pharmazeutika und Umweltwissenschaften, von grundlegender Bedeutung. Aufgrund der zunehmenden Komplexität moderner Materialien sind traditionelle analytische Techniken häufig nicht mehr die komplizierten molekularen Particulars aufzeigen, die für die Innovation wesentlich sind. Diese Lücke wird durch Fortgeschrittene überbrückt Ionenchromatographie -Instrumente und andere Instrumente für chemische Analysen, die eine unvergleichliche Einsicht in die molekularen Strukturen verschiedener Substanzen liefern.

Diese hochmodernen Instruments ermöglichen es Fachleuten, detaillierte Analysen auf molekularer Ebene durchzuführen und Innovationen zu fördern, die möglicherweise ganze Branchen verändern können. Beispielsweise profitiert der Pharmasektor von verbesserten Arzneimittelentdeckungsprozessen und steckt neue Verbindungen mit bemerkenswerter Genauigkeit. Gleichzeitig können Umweltwissenschaftler winzige Schadstoffe erkennen, die Verschmutzungskontrollbemühungen erheblich verbessern und die Einhaltung strenger Umweltvorschriften sicherstellen.

Aufdeckung von Mustern mit Ionenaustauschchromatographie

Die Ionenaustauschchromatographie ist eine herausragende Technik in der fortschrittlichen chemischen Analyse, die für ihre Fähigkeit erkannt wurde, Ionen und polare Moleküle basierend auf ihrer Ladung zu trennen. Diese Methode ist für zahlreiche Anwendungen von entscheidender Bedeutung, einschließlich Wasserqualitätstestswo es sich um Spurenverunreinigungen enthüllt, die gesundheitliche Risiken darstellen könnten. Darüber hinaus wird in der Lebensmittelindustrie die Ionenaustauschchromatographie verwendet, um den Nährstoffgehalt zu überwachen und sicherzustellen, dass die Produkte die Qualitätsstandards entsprechen.

Durch die Aufschlüsselung komplexer Mischungen in ihre Teile deckt diese Technik Muster auf, die für die Festlegung neuer Sicherheitsbenchmarks und die Verfeinerung von Produktformulierungen von entscheidender Bedeutung sind. Diese Fähigkeiten sind für Fachleute in Sektoren wie Umweltüberwachung von wesentlicher Bedeutung, bei denen die Aufrechterhaltung der Einhaltung der Regulierung und der Sicherung der öffentlichen Sicherheit oberste Prioritäten sind.

Daten aus mehreren analytischen Methoden integrieren

Ein umfassendes Verständnis der Zusammensetzung einer Probe erfordert häufig die Integration mehrerer analytischer Techniken. Methoden wie Massenspektrometrie, nukleare Magnetresonanz und Röntgenbeugungs-Komplement-Ionenaustauschchromatographie, um eine ganzheitliche Sicht auf die Struktur eines Supplies zu bieten. Diese Integration ist in präzisionsorientierten Branchen wie Arzneimitteln von entscheidender Bedeutung, in denen die genaue Zusammensetzung einer Verbindung entscheidend für die Gewährleistung von Sicherheit und Wirksamkeit ist.

Ein Multi-Method-Ansatz ermöglicht es Forschern, Beziehungen zwischen Komponenten aufzudecken, die möglicherweise übersehen werden, wenn sie sich ausschließlich auf eine einzelne Methode verlassen. Infolgedessen führt diese Strategie zu fundierteren Entscheidungen, die Innovation und Verfeinerung verschiedener Anwendungen.

Die Rolle der Technologie in der chemischen Analyse

Die technologischen Fortschritte verbessern kontinuierlich die Funktionen der chemischen Analyse und verbessern die Präzision und Effizienz. Automatisierung und digitale Instruments Strafen Sie diese Prozesse und machen Sie sie in verschiedenen Branchen zugänglicher. Beispielsweise verarbeitet die komplexe Datenanalyse -Software program die komplexen Datensätze, die durch verschiedene analytische Techniken generiert werden, und enthüllen wichtige Muster, die für Forschung und Entwicklung von entscheidender Bedeutung sind.

Diese Technologien ermöglichen eine Echtzeitüberwachung und Fernanalyse, die in Situationen, in denen sofortiger Eingriff erforderlich ist, unverzichtbar sind. Durch die Nutzung modernster Technologie in der chemischen Analyse steigern die Industrie die Produktivität und eröffnet neue Wege für Forschung und Entwicklung und ebnet den Weg für zukünftige Durchbrüche.

Praktische Anwendungen und zukünftige Erkenntnisse

Die Reichweite der Instrumente für fortschrittliche chemische Analysen geht weit über die traditionellen Forschungsgrenzen hinaus. In der Landwirtschaft erleichtern diese Werkzeuge das Untersuchung der Bodenzusammensetzung und führen zu Fortschritten bei der Erntemanagement und nachhaltigen Landwirtschaftspraktiken. Der Energiesektor nutzt diese Analysen, um sauberere Brennstoffe und effizientere Energiequellen zu entwickeln, während die Kunstwiederherstellung auf chemische Analysen beruht, um historische Artefakte durch nicht-invasive Techniken zu erhalten.

Ihre Fähigkeit, versteckte Muster aufzudecken, wird wahrscheinlich bei der Entwicklung analytischer Methoden einen signifikanten Fortschritt in mehreren Feldern verbessern. Wenn sie über diese Fortschritte informiert und in ihre Arbeitsabläufe integriert werden, können Fachkräfte einen Wettbewerbsvorteil beibehalten und den Fortschritt und die Entdeckung in ihren jeweiligen Branchen fördern.