Isiklik AI teine aju: ehita Gemini abil oma mälusüsteem

Igaüks meist on kogenud seda tüütut hetke: avad vestlusakna, kus ootab tipptasemel LLM (suur keelemudel), ning pead jälle otsast peale selgitama, kes sa oled, millega tegeled, millised lepingud on laual ja millised otsused tehti eelmise kuu koosolekul. Iga sessioon algab puhtalt lehelt ja täieliku amneesiaga. Kuigi mudelite arendajad lisavad üldiseid mäluseadeid, on need tihti kontrollimatud mustad kastid, mis unustavad detaile, segavad kuupäevi ega võimalda andmeid struktureeritult sirvida.

Sinu aju ei ole kõvaketas ning seda ei tasu koormata sadade dokumentide, lepingutingimuste ja tehniliste märkmete meelespidamisega. Tõeline lahendus on luua isiklik AI teine aju: privaatne, struktureeritud mälusüsteem, kus andmed kuuluvad 100% sulle endale, mida saad pärida reaalajas ning mis ei nõua keerulist serveritaristut ega 50-eurost kuutasu spetsiaalsele tarkvarale.

Sinu aju ei ole kõvaketas. Inimmõistus on loodud uute ideede genereerimiseks ja seoste loomiseks, mitte tuhandete lepingutingimuste, kliendikokkulepete või detailsete koosolekuotsuste täpseks talletamiseks.

Miks traditsiooniline vektorotsing isikliku mälu puhul alt veab?

Viimastel aastatel on tehisaru maailmas räägitud peaaegu eranditult RAG (andmete otsinguga rikastatud genereerimine) lahendustest, kus dokumendid konverteeritakse matemaatilisteks vektoriteks ehk embeddinguteks. Vektorotsing on suurepärane laia teema või üldise meeleolu tuvastamiseks, kuid isikliku teadmistebaasi puhul tekib sellega kolm valusat probleemi:

Numbrite ja koodide kadu: Vektormudelid kipuvad hägustama täpseid kuupäevi, lepingunumbreid, tooteartikleid ja isikunimesid.
Ajalise mõõtme puudumine: Kui sul on kaks lepingut sama partneriga aastatest 2024 ja 2026, annab vektorbaas neile sageli täpselt sama asjakohasuse skoori. Sa võid saada vastuse, mis põhineb kahe aasta tagusel kehtetul kokkuleppel.
Ülemäärane keerukus ja püsikulud: Vektoriandmebaasid (Pinecone, Chroma, Qdrant) nõuavad pilvetaristut, API (rakendusliides süsteemide sidumiseks) võtmeid ning püsivat hooldust.

Selle asemel ehitame mälusüsteemi, mis toetub kahele läbiproovitud sambale: aatomfaktidele (Atomic Facts) ning leksikaalsele BM25 otsingule koos värskuse kaaluga (Recency Weighting).

🧠

Interaktiivne töölaud

Kliendipoolne juhtpaneel dokumentide haldamiseks otse brauseris ilma serveriteta.

⚡

Aatomfaktid

Pikkade failide tükeldamine ühemõttelisteks faktideks, otsusteks ja tähtaegadeks.

🔍

BM25 otsingumootor

Täpne leksikaalne otsing, mis leiab konkreetsed nimed ja numbrid ilma vektorbaasita.

🎯

Ajaline kaalutud skoor

Uuemad otsused saavad automaatse eelise, välistades vananenud info kasutamise.

Mis teeb aatomfaktid ja BM25 algoritmi nii võimsaks?

Klassikaline viga, mida tehakse, on 50-leheküljelise PDF-faili toorelt keelemudelisse söötmine. Tulemuseks on tokenite (tekstiühikute, mida mudel korraga töötleb) tohutu raiskamine ja mudeli tähelepanu hajumine. Engram-arhitektuur lahendab selle aatomfaktide abil: iga üleslaaditud dokument analüüsitakse ning sellest eraldatakse lühikesed, sõltumatud väited.

Kui küsid oma süsteemilt küsimuse, näiteks: “Millal pikeneb meie leping tarnijaga ja millised olid viimased hinnatingimused?”, ei pea mudel läbi kammima tervet failikogu. Otsingualgoritm teeb eeltöö ära sekundi murdosaga.

Selle mootoriks on Okapi BM25 otsingualgoritm. BM25 hindab otsisõnade sagedust dokumendis suhestatuna nende üldisesse haruldusse kogu andmebaasis. Kui lisame sellele matemaatilise värskuse kaalu (Recency Weighting), saab viimati uuendatud dokument otsingus lisaedu. Tulemus: mudel saab kontekstiks ainult 3–5 kõige asjakohasemat ja värskemat fakti koos otselinkidega algallikale.

⚠️ HOIATUS: Gemini Canvas jookseb kliendipoolselt sinu veebibrauseri liivakastis. See tähendab, et otsene reaalajas Google Drive või Gmaili sünkroonimine nõuaks serveripoolset autentimist. Canvasis töötades laaditakse dokumendid süsteemi käsitsi failina või tekstina ning andmed talletatakse brauseri kohalikku mällu.

Isiklik AI teine aju: ehita Gemini abil oma mälusüsteem

Kuidas ehitada oma AI-mälu Gemini Canvas abil: 4 sammu

Alustamiseks suundu ametlikule lehele Google Gemini töölaud, vali mudeliks Gemini 4 Argon või uuem ning aktiveeri paremalt paanilt Canvas. Ehitame lahenduse samm-sammult, kasutades selleks läbi testitud ja optimeeritud prompte.

Samm 1: Töökeskkonna ja baasstruktuuri loomine

Esimese sammuna loome puhta kasutajaliidese: failide üleslaadimise vormi, dokumentide nimekirja, otsinguriba ja vestlusakna. Sisesta Canvase vestlusesse järgmine lähteülesanne:

💡 PRO NIPP: Ära luba mudelil genereerida näidisandmeid ega teeselda, et pooleli olevad funktsioonid töötavad. Nõua koheselt selget tagasisidet, mis on funktsionaalne ja mis vajab veel väljaarendamist.

Tegutse kogenud täispinu veebiarendajana.

Loo algajasõbralik isikliku teadmistebaasi (AI Memory) rakendus Gemini Canvas keskkonnas, mis põhineb Engram-arhitektuuril.

Nõuded:
1. Loo puhas ja responsiivne töölaud:
   - Dokumentide üleslaadimise ja haldamise sektsioon
   - Otsinguriba salvestatud info leidmiseks
   - Vestlusliides (Ask Your Memory) küsimuste esitamiseks
   - Hiljuti lisatud kirjete nimekiri
2. Iga kirje peab sisaldama:
   - Pealkiri ja allikas
   - Algne sisu
   - Kokkuvõte ja võtmefaktid (Atomic Facts)
   - Loomise ja uuendamise kuupäevad
3. Kasuta püsivaks andmete salvestamiseks brauseri localStorage võimalusi.
4. Ära loo fiktiivseid näidisandmeid. Ütle täpselt, millised funktsioonid töötavad ja millised lisame järgmistes sammudes.

Samm 2: Dokumentide haldus ja formaatide tugi

Nüüd lisame failide mitmiklaadimise ja kontrollmehhanismi. Isiklik mälu peab suutma vastu võtta PDF, DOCX, TXT, MD, JSON ja CSV (komaga eraldatud väärtustega tabelifail) faile. Lisaks peab süsteem ära hoidma sama faili topelt salvestamise.

Jätka minu AI Memory rakenduse arendamist Gemini Canvasis.

Lisa dokumentide mitmiklaadimine ja andmeallikate haldus:
1. Luba laadida korraga mitu faili (PDF, DOCX, TXT, MD, CSV, JSON).
2. Eralda failidest tekst ning säilita pealkiri, failitüüp ja ajatempel.
3. Lisa duplikaatide kontroll: ära salvesta juba olemasolevat faili teist korda.
4. Näita selget laadimisstaatust, salvestatud kirjete arvu ja veateateid.
5. Säilita olemasolev töölaud ja salvestatud kirjed muutmata kujul.

✅ EDU VÕTI: Duplikaatide ennetus on mälusüsteemi puhtuse vundament. Kui laadid sama dokumendi uuendatud versiooni, peab süsteem pakkuma vana kirje asendamist, mitte tekitama paralleelseid vasturääkivaid kirjeid.

Samm 3: Aatomfaktide genereerimine ja kirjeinspektor

Kolmandas sammus õpetame rakenduse dokumente sisuliselt mõistma. Lisame nupu dokumentide töötlemiseks ning inspektori (Record Inspector), mis võimaldab iga dokumendi fakte üle vaadata ja vajadusel käsitsi korrigeerida.

Jätka AI Memory rakenduse täiendamist.

Muuda üleslaaditud dokumendid struktureeritud aatomfaktideks:
1. Iga dokumendi töötlemisel ekstraheeri:
   - Metandmed: pealkiri, allikas, failitüüp, kuupäev
   - Lühike kokkuvõte dokumendi põhisisust
   - Aatomfaktid (Atomic Facts): konkreetsed otsused, kuupäevad, summad, reeglid
2. Aatomfaktid peavad olema lühikesed ja täpsed. Numbreid ja nimesid ei tohi moonutada.
3. Lisa teemakohased sildid (tags) ning tuvasta seosed teiste salvestatud dokumentidega.
4. Lisa Record Inspector vaade, kus näen kõrvuti: algset sisu, kokkuvõtet, aatomfakte ja metainfot.
5. Lisa nupp 'Töötle dokumente' olemasolevate failide automaatseks analüüsiks.

📌 TÄHTIS FAKT: Aatomfaktide ekstraheerimisel kehtib nulltolerants väljamõeldiste suhtes. Kui dokumendis puudub kuupäev või vastutaja, ei tohi mudel seda tuletada ega oletada, vaid peab jätma välja tühjaks.

Samm 4: BM25 otsingu ja vestlusliidese käivitamine

Viimase sammuna ühendame kõik komponendid toimivaks tervikuks: rakendame kliendipoolse BM25 otsingualgoritmi, lisame ajalise kaalu (uuem info saab eelisjärjekorra) ning suuname leitud konteksti vestlusaknasse koos täpsete allikaviidetega.

Jätka AI Memory rakenduse ehitamist.

Muuda otsingu- ja vestlusliides täisfunktsionaalseks mälupäringute süsteemiks:
1. Rakenda JavaScriptis BM25 otsingualgoritm:
   - Otsi läbi pealkirjade, kokkuvõtete, aatomfaktide ja algsisu
   - Järjesta tulemused asjakohasuse skoori järgi
2. Lisa ajaline kaal (Recency Weighting):
   - Uuemad dokumendid saavad mõistliku punktieelse
   - Asjakohasus peab siiski jääma esmatähtsaks
3. Ühenda otsing vestlusaknaga (Ask Your Memory):
   - Kasutaja küsimusest eraldatakse otsisõnad
   - Püütakse leida 3-5 kõige asjakohasemat kirjet
   - Mudel vastab AINULT leitud dokumentide põhjal
   - Kui infot pole, vastab mudel ausalt: 'Salvestatud dokumentides puudub vastus'
4. Kuva iga vastuse juures konkreetsed allikaviited (dokumendi pealkiri ja väljavõte).

Parim teadmistebaas on see, mida sa tegelikult kasutad. Kui mälusüsteem nõuab eraldi serveri haldust, keerulist seadistust ja igakuist lisatasu, jääb see unarusse. Kliendipoolne Canvas-lahendus annab kohese tulemuse otse sinu brauseris.

Reaalsed kasutuslood: kus isiklik tehisaru aju aega säästab?

Kliendipoolne teadmistebaas sobib ideaalselt korduva teabe haldamiseks, mida muidu peaksid igas uues vestluses uuesti selgitama. Sarnaseid põhimõtteid oleme käsitlenud ka juhendis Gemini Skills töövood ja juhend, kus automatiseeritud oskused aitavad korduvaid ülesandeid lahendada.

📋

Lepingud ja hanked

Tähtajad, garantiitingimused, hinnatõusu klauslid ja sanktsioonid sekundiga käeulatuses.

🤝

Koosolekud ja kokkulepped

Koosolekute protokollidest eraldatud otsused, vastutajad ja CRM (kliendisuhete haldustarkvara) kontekst ilma pikki faile lugemata.

💻

Arendus ja arhitektuur

Arhitektuursed otsused (ADR), koodibaasi kokkulepped ja serverikonfiguratsioonide parameetrid.

📚

Isiklik õppimine

Loetud raamatute konspektid, erialased uurimistööd ja koolituste tuummaterjalid ühes kohas.

Kuidas minna Canvasest edasi: täielik andmesõltumatus

Gemini Canvas on suurepärane keskkond prototüüpimiseks ja igapäevaseks kiireks teadmusbaasiks. Kuid arvestada tuleb brauseri kohaliku mälumahu piiranguga: tavaliselt mahutab localStorage ligikaudu 5–10 megabaiti andmeid. Lisaks tühjendab brauseri vahemälu puhastamine ka salvestatud kirjed.

Kui sinu teadmistebaas kasvab sadade dokumentideni, on professionaalseks lahenduseks koodi eksportimine. Canvase ülaosas asuvast menüüst saad rakenduse koodi (HTML, CSS ja JavaScript) ühe klikiga alla laadida. Selle saab ilma keerukuseta paigutada kohalikku arvutisse (näiteks lihtsa Node.js või Pythoni skripti toel) ning siduda kergekaalulise kohaliku SQLite andmebaasiga. Nii tekib täielikult privaatne, võrguühenduseta toimiv ja igavene mälusüsteem, mis ei sõltu ühestki kolmanda osapoole pilveteenusest.

Alusta lihtsalt: laadi süsteemi esimesed 5–10 olulist dokumenti, testi aatomfaktide täpsust otsingus ning veendu ise, kui palju aega hoiab kokku teadmine, et tehisaru mäletab sinu eest kõiki olulisi detaile.

Magica AI agentide platvorm ja delegeerimise töölaud

Korduma kippuvad küsimused

Keelemudelite sisseehitatud mälufunktsioonid töötavad musta kastina: sa ei näe täpselt, milliseid lauseid mudel talletab, neid ei saa kuupäeva järgi sorteerida ega käsitsi toimetada. Isiklik mälusüsteem teisendab dokumendid selgeteks aatomfaktideks, mida saad ise inspekteerida, kustutada või täiendada.

Isiklike märkmete, lepingute ja otsuste puhul otsitakse reeglina konkreetseid nimesid, kuupäevi, summasid ja koode. BM25 on leksikaalne algoritm, mis leiab täpsed terminid koheselt ega vaja kulukaid väliseid pilvebaase. Lisatud ajaline kaal tagab, et uuemad otsused saavad alati eelise.

Gemini Canvas töötab liivakastis ning dokumendid salvestatakse sinu veebibrauseri lokaalsesse mällu (localStorage). Andmeid ei edastata kolmandate osapoolte serveritesse peale Gemini enda mudelipäringute, mida tehakse teksti analüüsimisel.

Kuna kirjed asuvad localStorage mälus, kustutab brauseri küpsiste ja vahemälu täielik puhastamine ka salvestatud andmed. Seetõttu tasub kood Canvasest välja eksportida ning suurema andmemahu puhul siduda see kohaliku failisüsteemi või SQLite baasiga.