“`html

Оптимизация планирования агента: Параметрический подход к мировому знанию

Большие языковые модели (LLM) значительно продвинули обработку естественного языка. Недавно использование LLM для задач планирования в физическом мире показало свою перспективность. Однако LLM, в основном авторегрессионные модели, часто не понимают реальный мир, что приводит к галлюцинационным действиям и методу проб и ошибок. В отличие от LLM, люди используют глобальное задание и локальное состояние, чтобы эффективно репетировать и выполнять задачи, избегая слепого метода проб и ошибок и путаницы во время планирования и выполнения задач.

Практические решения и ценность

Исследователи из совместной лаборатории знаниевого графа Zhejiang University – Ant Group, Национального университета Сингапура и Alibaba Group разработали параметрическую модель мирового знания (WKM) для планирования агента. WKM основана на знаниях как экспертов, так и исследованных траекториях. Модель агента синтезирует задачевое знание, сравнивая эти траектории, и резюмирует состояние знания для каждого шага планирования. Это знание интегрируется в экспертные траектории для обучения WKM. Во время планирования WKM предоставляет глобальное задачевое знание и поддерживает динамическое состояние знания, направляя агента и предотвращая галлюцинационные действия через поиск ближайших соседей и взвешенные прогнозы.

Метод оценивается на наборах данных ALFWorld, WebShop и ScienceWorld, с тестированием обобщения на невидимые задачи. Подход, только через обучение LoRA, превосходит GPT-4 на ALFWorld и WebShop, а также превосходит другие модели, демонстрируя, что интеграция мирового знания более эффективна, чем дальнейшее настройка на отрицательных примерах.

Это исследование разрабатывает параметрическую WKM для улучшения планирования модели агента. Результаты показывают превосходство WKM над GPT-4 и современными моделями, превосходя сильные базовые уровни. Аналитические эксперименты демонстрируют способность WKM снижать метод проб и ошибок, улучшать обобщение на невидимые задачи и расширять обучение универсального мирового знания.

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Optimizing Agent Planning: A Parametric AI Approach to World Knowledge.

Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI. Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.

Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.

На полученных данных и опыте расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/flycodetelegram.

Попробуйте ИИ ассистент в продажах https://flycode.ru/aisales/. Этот ИИ ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.

“`