Flux RSS VentureBeat
Suivre
Une nouvelle méthode d'entraînement de l'IA crée des agents logiciels puissants avec seulement 78 exemples
Une nouvelle étude présente LIMI, un cadre démontrant que moins de données peuvent conduire à des agents d'IA plus intelligents. Les chercheurs ont découvert que des démonstrations agentiques de haute qualité, et non des ensembles de données massifs, sont la clé du développement de systèmes d'IA autonomes. L'approche de LIMI se concentre sur la curation d'exemples stratégiquement choisis de résolution de problèmes par l'IA. Les expériences ont montré qu'un modèle entraîné sur seulement 78 démonstrations soigneusement sélectionnées a surpassé de manière significative les modèles entraînés sur des milliers d'exemples. Cette découverte est cruciale pour les applications d'entreprise où la collecte de données est difficile et coûteuse. L'agentivité est définie comme des systèmes d'IA capables de découvrir de manière autonome des problèmes, de formuler des hypothèses et d'exécuter des solutions. L'entraînement actuel des LLM suppose souvent que plus de données équivaut à une intelligence agentique plus élevée, ce qui entraîne des pipelines complexes et des exigences en ressources. La méthode de LIMI implique la collecte de requêtes et de trajectoires détaillées des actions de l'IA pour les résoudre. L'ensemble de données a été construit à l'aide de scénarios réels et de requêtes synthétisées, validées par des experts humains. Les trajectoires ont capturé l'ensemble du processus de résolution de problèmes, y compris les erreurs et les améliorations. Les modèles entraînés par LIMI ont obtenu des scores supérieurs sur les benchmarks pour les compétences agentiques, l'utilisation d'outils et le codage. L'étude suggère que la maîtrise de l'agentivité concerne la compréhension de ses principes fondamentaux, et non pas seulement la mise à l'échelle des données. Ce cadre offre une voie durable pour le développement d'agents d'IA spécialisés pour les entreprises.
