자기 치유 멀티 에이전트 AI를 통해 자동화된 ML 파이프라인 생성: 생각하고 실행하라
연구진은 데이터셋과 자연어 목표를 기반으로 end-to-end 머신 러닝(ML) 파이프라인 생성을 자동화하는 unified 멀티 에이전트 아키텍처를 개발하기 위해 연구를 수행했습니다. 이 아키텍처는 효율성, 강인성 및 설명 가능성을 향상시킵니다. 5개의 에이전트 시스템을 제안하여 프로파일링, 의도 파싱, 마이크로 서비스 추천, 지시 그래프(DAG) 생성 및 실행을 처리합니다. 코드 기반의 Retrieval-Augmented Generation(RAG)과 Large Language Model(LLM)-기반 오류 해석 및 실행 기록을 기반으로 적응 학습을 사용하는 자기 치유 메커니즘을 통합합니다. 연구는 150개의 ML 태스크를 포함하는 다양한 시나리오에서 평가되었습니다. 시스템은 baseline 방법을 초과하는 84.7%의 end-to-end 파이프라인 성공률을 달성했습니다. 또한 자기 치유와 함께 강인성을 향상시키고 수동 생성보다 워크플로 개발 시간을 줄였습니다. 연구는 코드 기반 RAG, 설명 가능한 추천, 자기 치유 실행 및 적응 학습을 단일 아키텍처에 통합하는 새로운 통합을 소개합니다..tightly coupled intelligent components가 isolated solution보다 뛰어난 성능을 나타낼 수 있음을 보여줍니다.
자기 치유 멀티 에이전트 AI를 통해 자동화된 ML 파이프라인 생성
연구진은 데이터셋과 자연어 목표를 기반으로 end-to-end 머신 러닝(ML) 파이프라인 생성을 자동화하는 unified 멀티 에이전트 아키텍처를 개발하기 위해 연구를 수행했습니다. 이 아키텍처는 효율성, 강인성 및 설명 가능성을 향상시킵니다.
5개의 에이전트 시스템
5개의 에이전트 시스템을 제안하여 프로파일링, 의도 파싱, 마이크로 서비스 추천, 지시 그래프(DAG) 생성 및 실행을 처리합니다.
- 프로파일링: 데이터셋의 특성을 분석하여 프로파일링을 수행합니다.
- 의도 파싱: 자연어 목표를 분석하여 의도 파싱을 수행합니다.
- 마이크로 서비스 추천: 적합한 마이크로 서비스를 추천합니다.
- 지시 그래프(DAG) 생성: 데이터셋과 마이크로 서비스를 기반으로 지시 그래프를 생성합니다.
- 실행: 지시 그래프를 기반으로 ML 파이프라인을 실행합니다.
자기 치유 메커니즘
자기 치유 메커니즘을 사용하여 오류를 분석하고 적응 학습을 수행합니다.
- Large Language Model(LLM)-기반 오류 해석: 오류를 분석하여 오류 원인을 파악합니다.
- 적응 학습: 오류 원인을 기반으로 적응 학습을 수행합니다.
결과
연구는 150개의 ML 태스크를 포함하는 다양한 시나리오에서 평가되었습니다. 시스템은 baseline 방법을 초과하는 84.7%의 end-to-end 파이프라인 성공률을 달성했습니다. 또한 자기 치유와 함께 강인성을 향상시키고 수동 생성보다 워크플로 개발 시간을 줄였습니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.