Les chercheurs de Google utilisent l'historique de recherche de l'IA pour réduire les coûts de l'amélioration automatique
aiinsider ·
Des chercheurs de Google ont développé Dream-RSI, un cadre qui exploite l'historique de recherche d'un agent d'intelligence artificielle pour réduire les coûts associés à la découverte automatisée et à l'auto-amélioration. Au lieu de réentraîner le modèle sous-jacent, le système enregistre les recherches précédentes sous forme d'arbres contenant les résultats et les coûts computationnels, permettant aux agents de tester des stratégies d'exploration alternatives dans un environnement de simulation. Cette approche permet de sélectionner des politiques plus efficaces pour les futures recherches en direct sans répéter des expériences coûteuses. Lors de tests sur huit tâches impliquant l'ingénierie algorithmique, l'optimisation mathématique et la programmation GPU, Dream-RSI a égalé ou dépassé les méthodes concurrentes tout en réduisant significativement le nombre d'appels requis à l'agent IA. Par exemple, dans la conception d'algorithmes statistiques, le système a obtenu des temps d'exécution plus rapides avec moins de la moitié des appels d'agent par rapport aux politiques d'exploration fixes. L'étude souligne que l'amélioration de la manière dont un IA alloue ses ressources lors d'une recherche peut être plus efficace que de s'appuyer sur des directives écrites de haut niveau issues d'essais précédents. Toutefois, la méthode est limitée par son incapacité à prédire les résultats pour les branches non explorées, bien qu'elle offre une voie pratique vers une auto-amélioration récursive plus efficiente.
aiinsider