Evie™ : Une Architecture de Mémoire Bitemporelle pour la Personnalisation de la Santé à Long Terme dans des Déploiements d'IA Économes en Ressources — Un Cadre de Conception

Cet article décrit l'architecture conceptuelle du système de mémoire d'Evie™ — un design de mémoire bitemporelle en quatre phases pour un compagnon de santé IA conversationnel fonctionnant dans le cadre de Fitodermonutrição™. Le problème de l'amnésie IA — l'absence d'état structurel des agents conversationnels basés sur les LLM — est caractérisé comme une limitation cliniquement significative dans les contextes de soutien à la santé longitudinale. L'architecture d'Evie™ aborde cela grâce à un modèle de données bitemporel qui enregistre à la fois le temps valide (lorsqu'un fait de santé était vrai) et le temps de transaction (lorsqu'il a été enregistré par le système), permettant le raisonnement temporel rétrospectif et la résolution de conflits non destructive sans infrastructure de base de données vectorielle propriétaire. Les quatre phases de mémoire sont décrites : schéma bitemporel structuré (Phase 1), génération asynchrone de résumés narratifs de mémoire (Phase 2), récupération de similarité vectorielle utilisant une extension de base de données native (Phase 3) et extraction automatisée de faits avec résolution de conflits (Phase 4). L'architecture est conçue pour un déploiement économiquement efficace, en priorisant les composants open-source et un coût marginal négligeable par utilisateur — une contrainte de conception motivée par les économies de déploiement en LATAM. Le paysage concurrentiel est examiné par rapport à Mem0, Zep, MemoryBank, Google Memory Bank et MemOS. L'intégration avec la structure dimensionnelle IDIBS™ en tant que domaine sémantique borné est décrite. Une feuille de route de validation en quatre phases est proposée. Aucun détail d'implémentation propriétaire n'est divulgué.