«`html
Революция в области искусственного интеллекта: Agent Symbolic Learning
Большие языковые модели (LLM) изменили подход к созданию языковых агентов, способных автономно решать сложные задачи. Однако разработка этих агентов сталкивается с существенными проблемами. Текущий подход включает в себя ручное декомпозирование задач на LLM-конвейеры с использованием промтов и инструментов. Этот процесс трудоемок и ориентирован на инженерию, что ограничивает адаптивность и надежность языковых агентов. Сложность этой ручной настройки делает практически невозможным оптимизацию языковых агентов для разнообразных наборов данных, что затрудняет их универсальность и применимость к новым задачам или распределениям данных. Исследователи сейчас ищут способы перехода от этого инженерно-ориентированного подхода к более данных-центричной парадигме обучения для разработки языковых агентов.
Практические решения:
Исследователи из AIWaves Inc. представляют фреймворк агентного символического обучения в качестве инновационного подхода к обучению языковых агентов, который черпает вдохновение из обучения нейронных сетей. Этот фреймворк устанавливает аналогию между языковыми агентами и нейронными сетями, отображая конвейер агента на вычислительные графы, узлы на слои нейронной сети, а промты и инструменты на веса. Он позволяет процесс, аналогичный обратному распространению ошибки, и обеспечивает комплексную оптимизацию всех символических компонентов, включая промты, инструменты и структуру конвейера. Этот подход избегает локальных оптимумов, обеспечивает эффективное обучение для сложных задач и поддерживает мультиагентные системы. Он позволяет самостоятельную эволюцию агентов после развертывания, потенциально сдвигая исследования языковых агентов от инженерно-ориентированных к данных-центричным.
Практические результаты:
Фреймворк агентного символического обучения демонстрирует превосходную производительность на различных бенчмарках LLM, задачах разработки программного обеспечения и творческого письма. Он последовательно превосходит другие методы, показывая значительные улучшения на сложных бенчмарках, таких как MATH. В разработке программного обеспечения и творческом письме разрыв в производительности фреймворка увеличивается, превосходя специализированные алгоритмы и фреймворки. Его успех обусловлен комплексной оптимизацией всей системы агента, что позволяет эффективно находить оптимальные конвейеры и промты для каждого шага. Фреймворк проявляет устойчивость и эффективность в оптимизации языковых агентов для сложных реальных задач, где традиционные методы испытывают затруднения, подчеркивая его потенциал для продвижения исследований и применений языковых агентов.
Для ознакомления с деталями исследования посетите ссылку.
Все права на это исследование принадлежат его авторам.
Не забудьте подписаться на наш Twitter и присоединиться к нашим группам в Telegram и LinkedIn.
Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit с более чем 46 тысячами участников.
Найдите предстоящие вебинары по ИИ здесь.
«`
