Останні досягнення у сфері великих мовних моделей (ВММ) дали змогу створювати агентів штучного інтелекту, здатних планувати та використовувати різноманітні інструменти для виконання складних завдань. Попри ці технологічні прориви, існуючі дослідження щодо надійності та ефективності таких агентів у реальних умовах залишаються обмеженими. Для вирішення цієї проблеми дослідники розробили нову багатогалузеву рамкову систему, спеціально налаштовану для маркетингової задачі під назвою "курація аудиторії". Названа RAMP, ця система призначена для покрокового планування стратегій, виклику необхідних інструментів, перевірки результатів і створення вдосконалених пропозицій для покращення якості курації аудиторії. Важливою інновацією є її довгострокове сховище пам’яті, яке слугує базою знань із інформацією про клієнтів і записами попередніх запитів. Цей компонент пам’яті забезпечує необхідне контекстуальне розуміння для персоналізованого й точного генерування аудиторії. У процесах оцінювання система RAMP продемонструвала значні покращення показників. Зокрема, поєднання планування на основі ВММ із використанням пам’яті призвело до збільшення точності на 28 відсоткових пунктів на широкому наборі з 88 тестових запитів. Окрім підвищення точності, використання системою ітеративної перевірки й рефлексії в умовах неоднозначних запитів дозволило збільшити повноту охоплення приблизно на 20 відсоткових пунктів з кожним циклом перевірки/рефлексії на меншій кількості складних запитів.

Це поступове уточнення не лише покращує здатність пошуку інформації, але й підвищує задоволеність користувачів. Успіх RAMP у вирішенні задачі курації аудиторії підкреслює практичну цінність інтеграції планування на основі ВММ зі збереженням пам’яті в системах штучного інтелекту. Завдяки механізмам перевірки й рефлексії, ця рамкова система здатна мінімізувати невизначеності та неоднозначності, властиві складним завданням, підвищуючи надійність і стабільність роботи. Ці результати мають важливі наслідки для розгортання рішень на основі ВММ у динамічних промислових середовищах із постійними змінами даних і клієнтських контекстів. Крім того, застосування ітеративної оцінки результатів узгоджується з усталеними практиками прийняття рішень людьми і відкриває перспективний шлях для імітації рефлексивних методів у системах штучного інтелекту. За умов постійної перевірки й удосконалення, агенти ШІ зможуть досягти більшої довіри та послідовності у різних сферах, окрім маркетингу, наприклад у обслуговуванні клієнтів, створенні контенту й стратегічному плануванні. Отже, це дослідження є важливим кроком уперед у розробці надійних, контекстуально орієнтованих агентів штучного інтелекту для виконання складних професійних завдань. Інтеграція довгострокової пам’ять і ітеративної перевірки у багатогалузеву систему RAMP не лише підвищує точність і повноту, а й покращує загальний досвід користувачів. З розвитком ШІ рамкові рішення, засновані на цих принципах, відіграватимуть ключову роль у подоланні розриву між експериментальними можливостями і практичними, готовими до використання в галузі рішеннями.