問題
私たちの脳は、すべてを等しく記憶しているわけではありません。
今朝飲んだコーヒーは？ あっという間に薄れていきます。 結婚式の日は？ 何十年経っても鮮明に残っています。 先月のブレインストーミングで出た画期的なアイデアは？ それを発展させ続けてきたので、まだ新鮮です。
私たちの脳は自然に優先順位をつけます。 それはバグではありません。 人間の記憶が自らの重みで崩壊せず、役に立ち続ける理由の一つです。
しかし、ほとんどのデジタル記憶システムは、すべての情報を等しく扱います。 3年前に下した決断が、今日の画期的な洞察のすぐ隣に並び、同じ重みで注意を奪い合います。
何かを検索すると、同じ重みの結果の雪崩に埋もれてしまいます。
もしも
もし私たちのパーソナル記憶システムが、脳のように機能できたらどうでしょう？
もし最近の、そして頻繁に使われる知識が自然に先に浮かび上がり、古くて使われていない記憶は礼儀正しく脇に退いたらどうでしょう？
もし「前四半期に何を決めたっけ？」と尋ねて、本当に前四半期の記憶が得られたらどうでしょう？
どのように実現したか
私たちは、認知科学者が人間の記憶をどのようにモデル化しているか、特にカーネギーメロン大学のACT-Rと、Ankiのような現代の間隔反復システムを支えるJarrett YeによるFSRSに注目しました。
この研究から、私たちは実用的な記憶減衰モデルを構築しました：
-
新しさが重要です。 最近アクセスした記憶はより高いスコアになります。 私たちは約30日の半減期を持つ指数関数的減衰を用いているため、昨日の記憶は3か月前のものよりもはるかに高くランク付けされます。
-
頻度が強化します。 繰り返しアクセスする記憶はより持続的になります。 あなたの行動が、システムに何が重要かを教えます。
-
重要度が下限を設定します。 高い重要度を持つ基盤的な知識は、使われなくても完全には薄れません。
-
あなたのフィードバックが関連性を形作ります。 FSRSの検索成功を追跡するアプローチに触発され、私たちは表示、クリック、滞在時間を追跡します。 高いクリック率？ その記憶は本当に役に立ちます。 長い滞在時間？ 読む価値のある内容です。
Nowledge Mem スコアリングパイプライン
その結果、発掘というよりも記憶のように感じられる検索になりました。 必要なときに、適切なものが浮かび上がります。
時間を理解する
関連性に加えて、私たちはもう一つの課題に取り組みました：時間的なクエリです。
次の検索を考えてみてください：
- 「データベースを移行する前に何があった？」
- 「昨年の第3四半期の記憶」
- 「認証に関する最近の洞察」
これらは単なるキーワード検索ではありません。 物事がいつ起こったかについての問いです。
そしてここが厄介な点です：時間には2種類あります。
-
イベント時間： これは実際にいつ起こったのか？ 2020年の決断に関する記憶は、2020年のイベント時間を持ちます。
-
記録時間： これをいつ保存したのか？ その2020年の決断を今日記録すれば、2025年の記録時間が与えられます。
「2020年の出来事に関する最近の記憶」は、具体的な意味を持ちます：2020年の出来事について最近保存したもの、ということです。
Nowledge Memは今、その違いを理解しています。 そして「2020年頃」や「昨年の初め」といった曖昧な参照も処理し、それらを意味のある結果に変換します。
これが意味すること
-
ノイズが減ります。 古くて使われていない記憶が結果を散らかしません。 必要ならそこにありますが、より新しい知識のために脇に退きます。
-
より良い関連性。 複数の記憶がクエリに一致するとき、積極的に使ってきたものが上位に浮かび上がります。
-
時間を意識した検索。 「前四半期に何を決めたっけ？」といった問いが実際に機能します。
-
自己組織化。 手動でアーカイブしたり削除したりする必要はありません。 あなたの記憶は、実際の使い方に基づいて自らを整理します。
次に来るもの
これはシステムの一層にすぎませんが、あらゆる場所で重要です。 より良い減衰とより良い時間的理解は、すべての検索結果、エージェントの想起、朝のブリーフィングを、知識が実際にどのように古びていくかに、より根ざしたものにします。
技術的な詳細に興味があれば、検索と関連性のドキュメントをチェックして、スコアリングシステムがどのように機能するかをより深く見てみてください。