ML-マスター - SJTUがAIエキスパートエージェントを発表

MLマスターとは

ML-Masterは、上海交通大学人工知能学部のエージェントチームによって導入されたAIエキスパート知能です。ML-Masterは、OpenAIの権威あるベンチマークテストMLE-benchにおいて、マイクロソフトのRD-AgentやOpenAIのAIDEなどの競合を凌駕する29.3%の平均メダル獲得率でトップに立つなど、高いパフォーマンスを発揮しています。ML-Masterは、人間の専門家の認知戦略をシミュレートし、広範な探索と深い推論を統合する「探索と推論の深い統合」という革新的なパラダイムによって、AIの機械学習を大幅に改善します。ML-Masterは、人間の専門家の認知戦略を模倣し、広範な探索と深い推論を統合する「探索と推論の深い統合」という革新的なパラダイムを通じて、機械学習工学におけるAIの性能を大幅に向上させる。ML-Masterは、バランスの取れた多軌道探索と制御された推論モジュールを採用し、適応的な記憶メカニズムを通じて、両者の効率的な相乗効果を実現します。

ML-Masterの主な機能

探索と推論の深い統合ML-Masterは、人間の専門家の認知戦略を模倣する革新的な「探索と推論の深い融合」パラダイムを通じて、幅広い探索と深い推論を統合することで、AIの性能を大幅に向上させます。
強力な自己進化能力ML-Masterは、複数回のタスク実行の間、ソリューションの品質を改善し続け、その結果、初期バージョンと比較して最終的に1,201 TP3T以上の性能向上を達成した。

MLマスターズ・プロジェクトのアドレス

プロジェクトのウェブサイト:: https://sjtu-sai-agents.github.io/ML-Master/
Githubリポジトリ:: https://github.com/sjtu-sai-agents/ML-Master
arXivテクニカルペーパー:: https://arxiv.org/pdf/2506.16499

ML-Masterの技術原理

バランスド・マルチ・トラジェクトリー・エクスプロレーション（BME）
- MCTSにインスパイアされたツリーサーチAI開発プロセスを決定木としてモデル化し、各ノードがAIソリューションの状態を表す。
- パラレル・ディスカバリー戦略複数の解の分岐を同時に探索することで、従来の直列探索の限界を打ち破り、探索効率を飛躍的に向上させます。
- 動的優先順位付け効果的でない探索を避けるために、各ブランチの潜在的な価値に基づいてコンピューティングリソースを動的に割り当てます。
ステアラブル推論（ステアラブル推論）
- アダプティブ・メモリー機構情報過多を避けるために重要な情報を正確に抽出し、推論プロセスがより関連性の高い知識に基づいていることを保証するために、過去の探索から有効な情報をインテリジェントにフィルタリングします。
- 文脈に即した意思決定頭でっかち」な意思決定を避けるために、具体的な導入のフィードバックや成功事例を踏まえて、十分な情報に基づいた分析を行う。
- 閉ループ学習システム探索の結果はリアルタイムで推論プロセスにフィードバックされ、「探索→推論→最適化→再探索」の好循環を形成する。
アダプティブ・メモリー機構（適応型メモリー）
- インテリジェント・メモリー構造探索モジュールは、親ノードや並列兄弟ノードから重要な情報を選択的に統合しながら、実行結果、コード・スニペット、パフォーマンス・メトリクスを自動的に収集します。
- 埋め込み型推論意思決定記憶情報は推論モデルの意思決定部分に直接組み込まれ、各推論が特定の過去の実行フィードバックと多様な探索からの経験に基づいていることを保証する。
- 共進化メカニズム推論の結果はその後の探索の方向性を導き、探索の経験は推論のプロセスを豊かにし続け、探索と推論の深い統合を実現する。

ML-Masterの主な利点

優れた性能OpenAIのMLE-benchベンチマークでは、ML-Masterが平均メダル獲得率29.3%でトップとなり、マイクロソフトやOpenAIのシステムを大きく引き離した。
効率的なコンピューティングベースライン法の半分の計算コストで、わずか12時間でテストが完了します。
一般化能力特に中難易度のタスクではメダル獲得率が2.2倍となった。

ML-Masterの対象者

AI研究者と開発者ML-Masterは、複数のソリューションを迅速に探索し、手作業によるデバッグと最適化に費やす時間を削減し、モデルの革新とアルゴリズムの改善に集中するのに役立ちます。
データサイエンティストML-Masterは、データ前処理、フィーチャー・エンジニアリング、モデル選択、パラメータ・チューニングなどのタスクを自動化し、データ科学者が時間と労力を節約して、データ洞察とビジネス価値マイニングに集中できるよう支援します。
機械学習エンジニアML-Masterの効率的な計算能力と自己進化メカニズムにより、エンジニアは計算コストを削減しながら、モデルを迅速に反復し、実世界での展開においてそのパフォーマンスを最適化することができます。
大学・研究機関ML-Masterの革新的な技術的フレームワークと強力な自己進化機能は、学術研究やアルゴリズムの革新に使用するための自律的なAIの開発と最適化を研究するための理想的なツールです。