Memoria a Proiezione Deterministica per Agenti AI Aziendali
Un recente articolo su arXiv (2604.20158) introduce la Memoria a Proiezione Deterministica (DPM) destinata ad agenti AI aziendali che operano in settori regolamentati come la sottoscrizione e le verifiche fiscali. I ricercatori sostengono che i framework di memoria stateful compromettono attributi di sistema essenziali per un uso conforme: replay deterministico, ragionamento verificabile, isolamento multi-tenancy e assenza di stato per la scalabilità. DPM impiega un registro di eventi solo-appendice combinato con proiezioni condizionate dal compito durante il processo decisionale. In esperimenti che coinvolgono dieci scenari decisionali regolamentati con tre budget di memoria, DPM ha dimostrato prestazioni paragonabili alla memoria basata su riepilogo a budget più elevati e le ha superate in condizioni di compressione significativa: con un rapporto di 20x, l'accuratezza fattuale è aumentata di +0,52 (Cohen's h=1,17, p=0,0014) e la coerenza del ragionamento è migliorata di +0.
Fatti principali
- L'articolo arXiv:2604.20158 propone la Memoria a Proiezione Deterministica (DPM) per agenti AI aziendali.
- DPM affronta domini regolamentati come sottoscrizione, valutazione dei sinistri e esame fiscale.
- Le architetture di memoria stateful violano quattro proprietà di sistema: replay deterministico, motivazione verificabile, isolamento multi-tenancy e assenza di stato.
- DPM consiste in un registro di eventi solo-appendice più una proiezione condizionata dal compito al momento della decisione.
- Testato su dieci casi decisionali regolamentati con tre budget di memoria.
- Con un rapporto di compressione di 20x, DPM migliora la precisione fattuale di +0,52 (Cohen's h=1,17, p=0,0014).
- Anche la coerenza del ragionamento è migliorata ad alta compressione.
- L'articolo sostiene che l'implementazione regolamentata dipende dalle quattro proprietà.
Entità
Istituzioni
- arXiv