Els avenços recents en els grans models de llenguatge (LLMs) han permès la creació d'agents d'intel·ligència artificial capaços de planificar i utilitzar diverses eines per realitzar tasques complexes. Malgrat aquests avenços tecnològics, la recerca existent sobre la fiabilitat i l’eficàcia d’aquests agents en escenaris del món real continua sent limitada. Per afrontar això, els investigadors han desenvolupat un marc multiagent innovador adaptat a un repte de màrqueting conegut com a curació d’audiències. Anomenat RAMP, aquest marc està dissenyat per planificar estratègies de manera iterativa, invocar les eines necessàries, verificar els resultats i generar suggeriments refinats per millorar la qualitat de les audiències curades. Una innovació clau és el seu magatzem de memòria a llarg termini, que serveix com a base de coneixement que conté informació específica del client i registres de consultes passades. Aquest component de memòria proporciona una comprensió contextual essencial per a la generació personalitzada i precisa d’audiències. En les avaluacions, el marc RAMP va demonstrar un millor rendiment significatiu. Notablement, la combinació de planificació basada en LLM amb l’ús de la memòria va resultar en un augment del 28 per cent en la precisió en un conjunt ampli de 88 consultes d’avaluació. Més enllà de les millores en la precisió, l’ús de processos iteratius de verificació i reflexió sobre consultes ambigus va permetre augmentar el record de cerca en unes 20 dècimes percentuals amb cada cicle de verificar/reflexionar sobre un conjunt més petit de consultes dificultoses.

Aquesta refinació iterativa no només millora el rendiment en recuperar informació sinó que també augmenta la satisfacció de l’usuari. L’èxit de RAMP per abordar la curació d’audiències destaca el valor pràctic d’integrar la planificació basada en LLM amb una memòria persistent en els sistemes d’IA. Incorporant mecanismes de verificació i reflexió, el marc minimitza les incerteses i les ambigüitats inherents a tasques complexes, millorant així la fiabilitat i la robustesa. Aquests resultats tenen implicacions importants per a l’implementació de solucions d’IA basades en LLM en entorns industrials dinàmics i del món real, on dades en evolució i contextos específics dels clients són desafiaments constants. A més, l’adopció d’una avaluació iterativa de l’output s’alinea amb pràctiques de presa de decisions humanes establertes, indicant que és un enfocament prometedor perquè els sistemes d’IA imitin metodologies reflexives. A través de la validació i refinament continus, els agents d’IA poden assolir una major confiança i coherència en camps diversos més enllà del màrqueting, com ara l’atenció al client, la creació de continguts i la planificació estratègica. En resum, aquesta recerca representa un avanç significatiu cap a agents d’IA fidels, amb consciència del context i aptes per gestionar tasques professionals complexes. La integració de la memòria a llarg termini i la verificació iterativa dins el marc multiagent RAMP no només millora la precisió i el record, sinó que també enriqueix l’experiència global de l’usuari. A mesura que l’IA evoluciona, els marcs basats en aquests principis seran claus per reduir la distància entre les capacitats experimentals i les solucions pràctiques i pròpies per a la indústria.