São Paulo — InkDesign News — O recente avanço em sistemas de múltiplos agentes destaca a colaboração entre algoritmos de “machine learning” e “deep learning”, ampliando as possibilidades de interação e automação em tarefas complexas.
Arquitetura de modelo
O sistema multi-agente foi projetado para incorporar agentes responsáveis por diferentes funções, como coleta de dados meteorológicos e análise de qualidade do ar. Cada agente opera usando APIs específicas, permitindo a especialização em suas respectivas áreas. Exemplos de arquiteturas incluem a utilização de técnicas como “transfer learning” para aumentar a eficiência em tarefas específicas.
Treinamento e otimização
Durante o desenvolvimento, foram utilizados dados em tempo real para treinar os agentes, otimizando suas respostas a consultas sobre condições meteorológicas e qualidade do ar. O tempo de treinamento foi reduzido significativamente ao empregar estratégias como ajuste fino de hiperparâmetros e validação cruzada, resultando em aumentos de acurácia nas respostas. Um exemplo foi o uso de um agente triage que decide qual agente especialista deve ser acionado, facilitando o fluxo de informações.
Resultados e métricas
Os resultados demonstraram um desempenho superior ao modelo anterior, com medições de eficácia na resolução de consultas específicas. Aumento de 20% na taxa de acerto ao direcionar perguntas sobre clima e qualidade atmosférica. Os testes mostraram que usuários receberam respostas mais curtas e diretas, além de sugestões práticas para atividades ao ar livre e saúde.
“Nosso objetivo é auxiliar os usuários utilizando tecnologia que combine inteligência artificial e a capacidade analítica dos agentes” (“Our goal is to assist users using technology that combines artificial intelligence and the analytical capabilities of agents”)— Nome, Cargo, Instituição.
Como próximos passos, a pesquisa deve focar em integrar mais dados de sensores em tempo real e expandir a cobertura geográfica dos agentes, permitindo que as informações sejam relevantes em diversas localidades. Essas melhorias podem ser cruciais para aplicações práticas em serviços públicos e consultoria ambiental.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
