Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Aprendizaje experiencial basado en Kolb para agentes generalistas con un rendimiento en ciencia de datos de Kaggle de nivel humano
Created by
Haebom
Autor
Antoine Grosnit, Alexandre Maraval, Refinath SN, Zichao Zhao, James Dora, Giuseppe Paolo, Albert Thomas, Jonas Gonzalez, Abhineet Kumar, Khyati Khandelwal, Abdelhakim Benechehab, Hamza Cherkaoui, Youssef Attia El-Hili, Kun Shao, Jianye Hao, Jun Yao, Balazs K egl, Jun Wang
Describir
Este artículo propone un marco computacional basado en el aprendizaje experiencial de Kolb y la teoría de la zona de desarrollo próximo de Vygotsky, enfatizando que la pericia humana se desarrolla a través de la interacción iterativa, la reflexión y la actualización interna del modelo. Para superar las limitaciones del preentrenamiento estático y los flujos de trabajo rígidos de los agentes LLM existentes, diseñamos una arquitectura que separa la interacción con el entorno (funciones externas) de la reflexión/abstracción interna (funciones internas). Esto permite un aprendizaje estructurado basado en la cognición, lo que posibilita la generalización abierta después del aprendizaje en un entorno estructurado. En una competencia de ciencia de datos de Kaggle en el mundo real, donde se evaluó la capacidad de generación automatizada de código de ciencia de datos en 81 tareas, el Agente K obtuvo una puntuación de 1694, superando la puntuación media de Elo-MMR de los Kaggle Masters (el 2% superior) y ganó múltiples medallas. Este es el primer sistema de IA que integra con éxito las teorías de aprendizaje cognitivo de Kolb y Vygotsky, lo que representa un avance significativo hacia la IA de propósito general.
Takeaways, Limitations
•
Takeaways:
◦
Se presenta un nuevo marco de aprendizaje del agente LLM basado en el aprendizaje experiencial de Kolb y la teoría de la zona de desarrollo próximo de Vygotsky.
◦
El Agente K demuestra el potencial para desarrollar sistemas de IA capaces de resolver tareas complejas de nivel humano.
◦
Verificación del rendimiento a través de resultados experimentales utilizando datos reales de competiciones de Kaggle.
◦
Presentando una nueva dirección para el desarrollo de IA de propósito general.
•
Limitations:
◦
El rendimiento del Agente K puede estar limitado a un dominio específico (ciencia de datos).
◦
Se necesitan más investigaciones para determinar la generalización del marco propuesto.
◦
La posibilidad de que no sea posible imitar perfectamente los procesos cognitivos humanos
◦
Es necesario seguir debatiendo las implicaciones éticas y sociales.
