Искусственный интеллект и его применение в науке

Искусственный интеллект (ИИ) достиг значительных успехов в разработке языковых моделей, способных решать сложные задачи. Однако применение этих моделей для реальных научных вызовов остается сложным. Многие ИИ-агенты испытывают трудности с задачами, требующими многократных циклов наблюдения, рассуждения и действия. Чтобы решить эти проблемы, необходим гибкий и практичный подход к обучению и развертыванию языковых агентов.

Представляем Aviary: Расширяемый открытый гимназий для языковых агентов

Команда исследователей из FutureHouse Inc., Университета Рочестера и Института Фрэнсиса Крика представила Aviary — открытый гимназий для языковых агентов. Aviary преодолевает ограничения существующих платформ, вводя языковые процессы принятия решений (LDP), которые моделируют задачи как частично наблюдаемые марковские процессы, основанные на естественном языке. Это позволяет языковым агентам эффективно справляться со сложными задачами многократного рассуждения.

Ключевые среды Aviary:

• Молекулярное клонирование: Манипуляции с ДНК с использованием инструментов для аннотации последовательностей и планирования протоколов.
• Научная литература QA: Поиск и анализ научной литературы для ответов на детализированные исследовательские вопросы.
• Инженерия стабильности белков: Предложение мутаций белков для улучшения стабильности с помощью вычислительных и биохимических инструментов.

Технические особенности и преимущества Aviary

Aviary использует стохастическую вычислительную графическую модель для моделирования языковых агентов, что позволяет гибко и эффективно оптимизировать их. Ключевые особенности включают:

• Итерация экспертов (EI): Метод обучения, который итеративно улучшает агентов с использованием высококачественных траекторий.
• Мажоритарное голосование: Метод, улучшающий точность путем объединения нескольких выводов без чрезмерных вычислительных затрат.
• Интеграция инструментов: Поддержка встроенных инструментов, таких как аннотаторы последовательностей и системы поиска литературы.

Результаты и выводы

Агенты, обученные в Aviary, демонстрируют впечатляющие результаты:

• На задачах молекулярного клонирования агент Llama-3.1-8B-Instruct показал значительное улучшение точности.
• В задачах научной литературы QA тот же модель достигла уровней производительности, сопоставимых с человеческими экспертами.
• Мажоритарное голосование увеличило точность до 89% после выборки нескольких траекторий.

Заключение

Aviary представляет собой значительный шаг вперед в разработке языковых ИИ-агентов. Платформа открывает новые возможности для доступного и экономичного ИИ-исследования. С инструментами и методами обучения, адаптированными к реальным вызовам, Aviary задает стандарт для того, как языковые агенты могут решать сложные задачи.