Improving Agents is a Data Mining Problem — Vivek Trivedy, LangChain
Vivek Trivedy från LangChain argumenterar att att förbättra AI-agenter handlar om att analysera spårdata — det vill säga de loggade steg och beslut som agenten tar när den arbetar.
I stället för att gissa varför en agent blir sämre efter uppdateringar kan man låta andra AI-modeller läsa igenom dessa spår och identifiera problem. Trivedy menar att observerbarhet och kontinuerlig inlärning är samma problem sett ur olika vinklar. Han visar att billigare, öppna modeller kan nå samma kvalitet som dyrare toppmodeller om man är smart med hur man formulerar instruktionerna — och att det lönar sig att ändra instruktioner tills det går långsamt, sedan finjustera modellen för att komma vidare, sedan tillbaka till instruktioner igen.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.