Pour surmonter les défis Limitations des assistants d'IA personnalisés, cet article propose l'architecture REMI (Causal Schema Memory), qui intègre des données personnelles complexes et des connaissances causales. REMI intègre un graphe de connaissances causales personnelles, un moteur d'inférence causale et un module de planification basé sur des schémas pour fournir des recommandations explicables et personnalisées dans des domaines tels que la mode, la santé et la planification du mode de vie. Il exploite un graphe causal personnel, qui contient les événements et les habitudes de vie de l'utilisateur, pour effectuer une exploration causale orientée vers un objectif, enrichir les connaissances externes et les inférences hypothétiques, et récupérer un schéma de planification adaptatif pour générer des plans d'action personnalisés. Un modèle de langage à grande échelle (LLM) orchestre ces composants pour générer des réponses avec des explications causales transparentes. Nous évaluons rigoureusement les performances de REMI en introduisant de nouvelles mesures d'évaluation (score de saillance de personnalisation et précision du raisonnement causal) et démontrons que REMI fournit des recommandations plus pertinentes contextuellement et centrées sur l'utilisateur que les agents basés sur LLM existants.
