Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Apprentissage expérientiel basé sur Kolb pour agents généralistes avec des performances scientifiques de niveau humain avec Kaggle
Created by
Haebom
Auteur
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
Contour
Cet article propose un cadre informatique basé sur l'apprentissage expérientiel de Kolb et la théorie de la zone de développement proximal de Vygotsky, soulignant que l'expertise humaine se développe par l'interaction itérative, la réflexion et la mise à jour interne du modèle. Pour surmonter les limites du pré-entraînement statique et des flux de travail rigides des agents LLM existants, nous concevons une architecture qui sépare l'interaction avec l'environnement (fonctions externes) de la réflexion/abstraction interne (fonctions internes). Cela permet un apprentissage échafaudé basé sur la cognition, permettant une généralisation ouverte après l'apprentissage dans un environnement structuré. Lors d'une compétition Kaggle de science des données en situation réelle, où la capacité de génération automatisée de code de science des données a été évaluée sur 81 tâches, l'agent K a obtenu un score de 1 694, dépassant le score Elo-MMR médian des Kaggle Masters (les 2 % les plus performants) et a remporté plusieurs médailles. Il s'agit du premier système d'IA à intégrer avec succès les théories d'apprentissage cognitif de Kolb et Vygotsky, ce qui représente une avancée significative vers l'IA polyvalente.
Takeaways, Limitations_
•
Takeaways:
◦
Un nouveau cadre d'apprentissage d'agent LLM basé sur l'apprentissage expérientiel de Kolb et la théorie de la zone de développement proximal de Vygotsky est présenté.
◦
L'agent K démontre le potentiel de développement de systèmes d'IA capables de résoudre des tâches complexes de niveau humain.
◦
Vérification des performances grâce à des résultats expérimentaux utilisant des données réelles issues de compétitions Kaggle.
◦
Présentation d’une nouvelle direction pour le développement de l’IA à usage général.
•
Limitations:
◦
Les performances de l'agent K peuvent être limitées à un domaine spécifique (science des données).
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité du cadre proposé.
◦
La possibilité qu’il ne soit pas possible d’imiter parfaitement les processus cognitifs humains
◦
Des discussions plus approfondies sont nécessaires sur les implications éthiques et sociales.
