Автоматизированное проектирование в области искусственного интеллекта (ИИ) — это новая область, ориентированная на разработку систем, способных самостоятельно генерировать и оптимизировать свои компоненты. Этот подход основан на предпосылке, что машинное обучение может преодолеть ограничения ручного проектирования, позволяя создавать более эффективные, адаптивные и мощные системы ИИ. Цель состоит в том, чтобы позволить этим системам автономно вводить новшества, адаптироваться и решать все более сложные задачи, особенно в средах, требующих динамических и гибких способностей решения проблем.
Основная проблема в разработке ИИ заключается в значительных ручных усилиях, необходимых для проектирования, настройки и тонкой настройки этих систем для конкретных приложений. Поскольку ИИ применяется к более сложным и разнообразным задачам, потребность в системах, работающих эффективно без обширного вмешательства человека, становится критической. Проблема заключается не только во времени и необходимых экспертных знаниях; она также касается неотъемлемых ограничений решений, разработанных человеком. Растет понимание того, что автоматизация процесса проектирования может привести к открытию новых и превосходных архитектур ИИ, которые, возможно, должны быть очевидны с помощью традиционных, ориентированных на человека подходов.
Традиционно системы ИИ полагались на методы ручного проектирования, где исследователи и инженеры кропотливо разрабатывают и интегрируют компоненты, такие как подсказки, потоки управления и инструменты, адаптированные для конкретных задач. Эти методы, хотя и успешны, по своей сути ограничены необходимостью обширного человеческого опыта и трудоемкостью процесса проектирования. Недавние достижения в таких областях, как автоматизированное машинное обучение (AutoML) и алгоритмы генерации ИИ (AI-GAs), смягчили эти ограничения, внедрив определенный уровень автоматизации в процесс проектирования системы. Однако эти методы часто необходимо расширять по области применения, сосредоточившись в первую очередь на конкретных компонентах, а не на всей архитектуре системы.
Исследователи из Университета Британской Колумбии, Института векторов и кафедры искусственного интеллекта Канады CIFAR представили новаторский подход под названием Автоматизированное проектирование агентных систем (ADAS). Этот метод направлен на полную автоматизацию проектирования систем ИИ с использованием метаагента, который программирует новых агентов в коде. Подход ADAS отличается тем, что он исследует обширное пространство поиска возможных конфигураций системы, позволяя находить более эффективные и производительные архитектуры ИИ без необходимости ручного вмешательства. Метаагент итеративно создает, оценивает и совершенствует агентные системы, используя постоянно растущий архив предыдущих разработок в качестве основы для дальнейших инноваций.
Метод ADAS позволяет метаагенту программировать новых агентов на основе фреймворка простых, но важных функций, таких как запросы к моделям фундамента (FM) или форматирование подсказок. Основная идея заключается в том, чтобы поручить метаагенту итеративно создавать агентов, тестировать их производительность на различных задачах, а затем использовать результаты для информирования последующих итераций. Этот процесс побуждает метаагента исследовать новые и интересные проекты, которые оцениваются на предмет эффективности. ADAS может обнаружить агентские системы, которые превосходят самые современные агенты, разработанные вручную, в нескольких областях с помощью этого итеративного процесса.
Метод ADAS показал замечательные результаты. Например, агенты, обнаруженные алгоритмом ADAS, улучшили результаты F1 по задачам на понимание прочитанного на 13,6 балла и показатели точности по математическим задачам на 14,4%. Эти агенты также продемонстрировали впечатляющую переносимость, достигнув улучшения точности на 25,9% и 13,2% по математическим задачам при переносе в другие области. Агенты, обнаруженные ADAS, сохраняли высокую производительность даже при применении к другим моделям, таким как GPT-4 и Claude-Sonnet, значительно превосходя агентов, разработанных вручную. Эта надежность подчеркивает потенциал ADAS для революционного изменения проектирования и развертывания систем ИИ.
Подход ADAS представляет собой значительный прогресс в области ИИ, предлагая более эффективный и потенциально более инновационный путь к разработке усовершенствованных агентных систем. Автоматизируя обнаружение эффективных компонентов и архитектур ИИ, ADAS снижает зависимость от ручных усилий по проектированию и открывает дверь к созданию более адаптируемых и эффективных решений ИИ. Способность метода обнаруживать обобщаемые шаблоны проектирования и переносить их в различные области и модели еще больше подчеркивает его потенциал для изменения ландшафта разработки ИИ.
В заключение, внедрение ADAS знаменует собой поворотный момент в исследовании ИИ, демонстрируя, что полная автоматизация проектирования систем ИИ не только возможна, но и весьма эффективна. Итеративный процесс, используемый метаагентом, обеспечивает непрерывные инновации, что приводит к открытию агентных систем, превосходящих возможности аналогов, разработанных вручную. Поскольку ИИ продолжает развиваться, такие методы, как ADAS, будут иметь решающее значение для разработки более мощных, эффективных и адаптируемых систем.
Проверьте Бумага, GitHubи Проект. Все заслуги в этом исследовании принадлежат исследователям этого проекта. Также не забудьте подписаться на нас Твиттер и присоединяйтесь к нашему Телеграм-канал и LinkedIn Грууп. Если вам нравится наша работа, вам понравится и наше информационный бюллетень..
Не забудьте присоединиться к нашему 48 тыс.+ ML SubReddit
Найдите предстоящие вебинары по ИИ здесь
Асиф Раззак — генеральный директор Marktechpost Media Inc.. Как дальновидный предприниматель и инженер, Асиф стремится использовать потенциал искусственного интеллекта для общественного блага. Его последнее начинание — запуск платформы искусственного интеллекта Marktechpost, которая выделяется своим глубоким освещением новостей о машинном обучении и глубоком обучении, которые являются как технически обоснованными, так и легко понятными широкой аудитории. Платформа может похвастаться более чем 2 миллионами ежемесячных просмотров, что иллюстрирует ее популярность среди аудитории.
