Des agents qui apprennent de leurs tâches

OOndine

Turing Post examine comment des agents d’intelligence artificielle peuvent tirer des leçons de tâches terminées et transformer le travail accompli en ressources réutilisables par d’autres agents. Ces ressources peuvent prendre plusieurs formes : des procédures, des tests, des outils ou des changements dans l’environnement de travail. L’analyse présente 4 approches visant à améliorer automatiquement les compétences d’agents : SkillOpt de Microsoft, SkillAdam de Renmin University et Tencent, SkillRefiner d’OpenHands et skill-up d’Alibaba. Ces travaux s’intéressent à la manière de réutiliser une expérience issue d’une tâche, plutôt qu’à laisser chaque agent repartir sans tirer parti de ce qui a déjà été fait. Mais une compétence acquise n’est pas automatiquement utile dans toutes les situations : sa capacité à se généraliser doit être évaluée. Il faut aussi déterminer où intégrer une amélioration, entre le code de l’agent et les poids du modèle, qui constituent deux emplacements possibles. L’analyse relaie également une consigne de Matt Pocock : convertir les erreurs détectables mécaniquement en vérifications automatisées, et réserver les instructions écrites aux décisions qui exigent du jugement. Une erreur vérifiable peut ainsi appeler un test, tandis qu’une décision de jugement appelle des consignes. La question est alors de choisir la forme adaptée, tout en vérifiant si la compétence peut servir au-delà de la tâche qui l’a fait émerger.