LinkedIn detalla su agente de memoria cognitiva para personalizar la contratación

LinkedIn ha sacado a la luz los entresijos de su agente de memoria cognitiva, una pieza que da estado a los asistentes de contratación que usan los reclutadores. En una entrevista en el podcast de Stack Overflow, Praveen Badagutla, investigador principal de IA en LinkedIn, explicó cómo funciona y por qué lo construyeron.

El sistema nace de una observación: los reclutadores que usan el asistente de contratación expresan preferencias y matizan sus búsquedas mientras interactúan con él. Esas preferencias no son efímeras; se repiten y definen cómo abordan roles similares. Para que el agente ofrezca una experiencia realmente personalizada, necesitaba recordar. De ahí el agente de memoria, que gestiona todo el ciclo de vida de esos recuerdos: ingesta, organización, actualización y recuperación.

Cuatro capas de memoria

La memoria no es un bloque único. Badagutla describió una estructura de cuatro capas que capturan información a distinto nivel de detalle.

• La memoria conversacional guarda lo más reciente, lo que se ha dicho en la interacción actual.
• La memoria episódica permite consultas temporales y sirve para saber qué ha hecho el usuario hace poco, aportando además trazabilidad.
• La memoria semántica agrega información a través de sesiones y de otros productos de LinkedIn que el reclutador use, como la búsqueda de candidatos.
• La memoria procedural captura el "cómo": la forma en que cada reclutador prioriza, los trade-offs que hace, aunque el rol sea similar.

Por qué una estructura de árbol

El equipo empezó con GraphRAG, pero lo abandonó. Badagutla explicó que optaron por una memoria con estructura de árbol para poder hacer actualizaciones incrementales más rápidas. La estructura natural de los datos ayudó: un reclutador tiene varios proyectos, cada proyecto tiene sus preferencias, y varios reclutadores forman cohortes dentro de una misma empresa. Esa jerarquía permite, por ejemplo, que un reclutador nuevo no parta de cero: puede aprovechar las preferencias agregadas de su cohorte.

El reto de fondo es equilibrar frescura, latencia y control de acceso a la escala de LinkedIn. La ingesta tiene que compactar la información sin perder detalle, detectar cambios de preferencia en mitad de una conversación y resolver conflictos entre lo nuevo y lo viejo. Todo eso, en tiempo real.

Queda por ver cómo evolucionará este enfoque cuando los agentes sean más profundos y las interacciones menos predecibles. LinkedIn asegura que el sistema ya funciona en producción, pero los detalles técnicos completos, como siempre, se quedan en la puerta.