Dévoilement d'un outil d'IA révolutionnaire : Walrus présente un kit logiciel innovant permettant un stockage sécurisé des données et une migration transparente des agents

Dans le cadre d'un développement important à l'intersection de la blockchain et de l'intelligence artificielle, le protocole de stockage basé sur Sui, Walrus, a officiellement lancé MemWal, une couche de mémoire et un produit SDK conçus spécifiquement pour les agents d'IA. Ce lancement, rapporté par Decrypt, marque une étape cruciale vers la création d'une infrastructure de mémoire décentralisée et vérifiable pour les systèmes d'IA autonomes.

Walrus MemWal : un nouveau paradigme de mémoire pour les agents IA

MemWal fournit aux agents IA la vérifiabilité, la disponibilité, la portabilité et la possibilité de partager leur mémoire. Abinhav Garg, chef de produit chez Mysten Labs, le développeur de Sui et Walrus, a expliqué que l'utilisation conjointe de Walrus et MemWal stocke la mémoire sur une couche de données ouverte et vérifiable. Cela élimine la dépendance à l’égard d’un seul modèle ou fournisseur d’IA.

Cette approche permet aux utilisateurs de basculer librement entre les modèles d'IA comme ChatGPT et Claude. Il permet également de nouvelles applications capables de mémoriser des signaux spécifiques à l'utilisateur sur différentes plates-formes et sessions.

Principales caractéristiques de MemWal

Vérifiable : toute la mémoire stockée sur Walrus est vérifiable cryptographiquement, garantissant l'intégrité et la provenance des données.

Disponibilité : les données restent accessibles tant que le réseau Walrus fonctionne, sans aucun point de défaillance unique.

Portabilité : les utilisateurs peuvent déplacer la mémoire de leur agent IA entre différents modèles et applications sans perte de données.

Partageabilité : la mémoire peut être partagée de manière sélective avec d'autres agents ou applications, permettant ainsi des flux de travail d'IA collaboratifs.

Comment Walrus et MemWal travaillent ensemble

Walrus, lancé sur le réseau principal de Sui fin 2024, fournit un stockage blob décentralisé optimisé pour les objets de données volumineux. MemWal s'appuie sur cette base en ajoutant une couche de mémoire structurée spécifiquement pour les agents IA. Le SDK fournit aux développeurs des outils pour lire, écrire et gérer la mémoire des agents de manière décentralisée.

Cette architecture répond à un défi critique dans le développement de l’IA : le manque de mémoire persistante et portable sur différents modèles et plates-formes. Actuellement, la plupart des agents d’IA opèrent dans des environnements isolés, perdant leur contexte lorsqu’ils passent d’un modèle ou d’une application à l’autre.

Architecture technique

MemWal utilise le stockage blob de Walrus pour stocker les objets mémoire. Chaque objet mémoire comprend des métadonnées telles que les horodatages, la propriété et les contrôles d'accès. Le SDK gère le chiffrement, l'indexation et la récupération, permettant ainsi aux développeurs d'intégrer facilement la mémoire persistante dans leurs agents IA.

Le système prend en charge plusieurs types de mémoire, notamment l'historique des conversations, les préférences utilisateur, les états des tâches et les comportements appris. Les développeurs peuvent définir des schémas de mémoire personnalisés adaptés à leurs cas d'utilisation spécifiques.

Impact sur la portabilité des modèles d'IA

L’une des implications les plus importantes de MemWal est sa capacité à détruire les jardins clos de l’IA. Actuellement, les utilisateurs sont souvent confinés à un seul fournisseur d’IA car leurs données, leur contexte et leurs préférences sont stockés dans l’écosystème de ce fournisseur.

Avec MemWal, les utilisateurs peuvent conserver une mémoire cohérente sur différents modèles d'IA. Par exemple, un utilisateur pourrait démarrer une conversation avec ChatGPT, puis continuer de manière transparente avec Claude, les deux modèles accédant à la même mémoire. Cette interopérabilité pourrait accélérer l’adoption de l’IA en réduisant les coûts de changement.

Cas d'utilisation réels

Assistants personnels d’IA : maintenez les préférences utilisateur et l’historique des conversations cohérents sur différentes plates-formes d’IA.

Agents IA d'entreprise : partagez le contexte et les comportements appris entre plusieurs agents travaillant sur le même projet.

IA de jeu : permettez aux PNJ de se souvenir des interactions des joueurs sur différentes sessions de jeu et plates-formes.

IA en matière de soins de santé : maintenez le contexte du patient à travers différents outils de diagnostic et de planification de traitement.

Contexte du marché et calendrier

Le lancement de MemWal intervient à un moment où l’industrie de l’IA est aux prises avec les limites des architectures de mémoire actuelles. Les principaux fournisseurs d’IA comme OpenAI, Anthropic et Google ont tous annoncé des efforts pour améliorer les fenêtres contextuelles et les capacités de mémoire, mais celles-ci restent propriétaires et spécifiques à la plateforme.

L’approche décentralisée de Walrus offre une alternative qui donne la priorité au contrôle des utilisateurs et à la portabilité des données. Le projet a gagné en popularité depuis son lancement sur le réseau principal, avec plus de 1 000 développeurs s'appuyant déjà sur la plateforme.

Points de vue d'experts

Abinhav Garg a souligné le changement philosophique derrière MemWal : « Nous pensons que la mémoire de l’IA devrait appartenir aux utilisateurs, et non être verrouillée par un seul fournisseur. MemWal donne aux utilisateurs la liberté de choisir la meilleure IA pour chaque tâche sans perdre leur contexte.

Les analystes du secteur ont noté que cette approche s’aligne sur la pression réglementaire croissante en faveur de la portabilité des données et de l’interopérabilité des systèmes d’IA. La loi sur l’IA de l’Union européenne, par exemple, comprend des dispositions sur les droits des utilisateurs en matière de données qui pourraient bénéficier de solutions de mémoire décentralisées.

Considérations techniques et défis

Même si MemWal offre des avantages significatifs, il est également confronté à des défis. Le stockage décentralisé introduit une latence par rapport aux solutions centralisées, ce qui pourrait avoir un impact sur le temps réel.