ML-Master - Agent expert en IA lancé par SJTU

Qu'est-ce que ML-Master ?

ML-Master est une intelligence experte en IA introduite par l'équipe d'agents de l'école d'intelligence artificielle de l'université Jiao Tong de Shanghai. ML-Master obtient de bons résultats dans le test de référence MLE-bench de l'OpenAI, en tête de liste avec un taux moyen de médailles de 29,3%, surpassant des concurrents tels que RD-Agent de Microsoft et AIDE de l'OpenAI, etc. ML-Master améliore considérablement l'apprentissage automatique de l'IA grâce au paradigme innovant de "l'intégration profonde de l'exploration et de l'inférence", qui simule les stratégies cognitives des experts humains et intègre l'exploration approfondie et l'inférence en profondeur. ML-Master améliore considérablement les performances de l'IA dans le domaine de l'ingénierie de l'apprentissage automatique grâce à un paradigme innovant d'"intégration profonde de l'exploration et du raisonnement" qui imite les stratégies cognitives des experts humains et intègre l'exploration extensive et le raisonnement profond. ML-Master adopte un module équilibré d'exploration multi-trajectoire et de raisonnement contrôlé, et réalise une synergie efficace entre les deux grâce au mécanisme de mémoire adaptative.

Principales fonctions du ML-Master

• Intégration profonde de l'exploration et du raisonnementML-Master améliore considérablement les performances de l'IA en intégrant une large exploration et un raisonnement approfondi grâce à un paradigme innovant de "fusion profonde de l'exploration et du raisonnement" qui imite les stratégies cognitives des experts humains.
• Forte capacité d'auto-évolutionML-Master continue d'améliorer la qualité de la solution au cours de plusieurs cycles d'exécution des tâches, ce qui se traduit par une amélioration finale des performances de plus de 1 201 TP3T par rapport à la version initiale.

Adresse du projet de ML-Master

• Site web du projet: : https://sjtu-sai-agents.github.io/ML-Master/
• Dépôt Github: : https://github.com/sjtu-sai-agents/ML-Master
• Document technique arXiv: : https://arxiv.org/pdf/2506.16499

Principe technique du ML-Master

• Exploration multi-trajectoire équilibrée (BME)
  • Recherche arborescente inspirée des SCTMModélisation du processus de développement de l'IA sous la forme d'un arbre de décision, où chaque nœud représente l'état d'une solution d'IA.
  • stratégie de découverte parallèleExploration de plusieurs branches de solution en même temps, ce qui permet de dépasser les limites de l'exploration en série traditionnelle et d'améliorer considérablement l'efficacité de l'exploration.
  • Hiérarchisation dynamiqueLes ressources informatiques sont allouées de manière dynamique en fonction de la valeur potentielle de chaque branche, afin d'éviter une exploration inefficace.
• Raisonnement raisonnable (Raisonnement raisonnable)
  • mécanisme de mémoire adaptativeLe processus de raisonnement est basé sur des connaissances plus pertinentes : extraire avec précision les informations clés pour éviter la surcharge d'informations et filtrer intelligemment les informations valables à partir de l'exploration historique.
  • Prise de décision contextualiséeLes analyses éclairées s'appuient sur des retours d'expérience concrets et des exemples de réussite, afin d'éviter les prises de décision hargneuses.
  • Système d'apprentissage en boucle ferméeLe résultat de l'exploration alimente le processus de raisonnement en temps réel, formant un cycle vertueux "exploration→raisonnement→optimisation→re-exploration".
• Mécanisme de mémoire adaptative (Adaptive Memory)
  • Construction intelligente de la mémoireLe module d'exploration recueille automatiquement les résultats d'exécution, les extraits de code et les mesures de performance tout en intégrant de manière sélective les informations clés des nœuds parents et des nœuds frères parallèles.
  • Raisonnement intégré Prise de décisionLes informations sur la mémoire sont intégrées directement dans la partie décisionnelle du modèle d'inférence, ce qui garantit que chaque inférence est basée sur un retour d'information historique spécifique sur l'exécution et sur l'expérience acquise au cours de diverses explorations.
  • Mécanismes de coévolutionLes résultats du raisonnement guident l'orientation de l'exploration ultérieure et l'expérience de l'exploration continue d'enrichir le processus de raisonnement, réalisant ainsi l'intégration profonde de l'exploration et du raisonnement.

Principaux avantages de ML-Master

• performance supérieureDans le benchmark MLE d'OpenAI, ML-Master est arrivé en tête avec un taux moyen de médailles de 29,31 TP3T, nettement supérieur à celui des systèmes de Microsoft et d'OpenAI.
• Calculs efficacesLes tests sont réalisés en 12 heures seulement, pour un coût de calcul réduit de moitié par rapport aux méthodes de référence.
• capacité de généralisationLes médailles sont largement supérieures à tous les niveaux de difficulté, avec une multiplication par 2,2 du taux de médailles pour les tâches de difficulté moyenne en particulier.

A qui s'adresse ML-Master ?

• Chercheurs et développeurs en IAML-Master peut les aider à explorer rapidement de multiples solutions, à réduire le temps consacré au débogage et à l'optimisation manuels et à se concentrer sur l'innovation des modèles et l'amélioration des algorithmes.
• scientifique des donnéesML-Master automatise des tâches telles que le prétraitement des données, l'ingénierie des caractéristiques, la sélection des modèles et l'ajustement des paramètres, ce qui permet aux data scientists d'économiser du temps et des efforts et de se concentrer sur l'analyse des données et l'exploitation de la valeur commerciale.
• Ingénieur en apprentissage automatiqueLa puissance de calcul efficace et le mécanisme d'auto-évolution de ML-Master aident les ingénieurs à itérer rapidement les modèles et à optimiser leurs performances dans des déploiements réels, tout en réduisant les coûts de calcul.
• Universités et instituts de rechercheLe cadre technologique innovant de ML-Master et ses puissantes capacités d'auto-évolution en font un outil idéal pour étudier le développement et l'optimisation de l'IA autonome dans le cadre de la recherche universitaire et de l'innovation algorithmique.