São Paulo — InkDesign News — O uso de machine learning tem se intensificado com o avanço de modelos como os agentes de código, que permitem um controle mais preciso e eficaz em diversas tarefas.
Arquitetura de modelo
Os novos agentes de código permitem uma interação mais intuitiva com large language models (LLMs), onde a saída do modelo controla o fluxo de trabalho. A HuggingFace lançou o framework smolagents, que implementa essa abordagem ao permitir que os agentes gerem e executem código Python, em vez de apenas usar configurações JSON. Essa mudança proporciona maior flexibilidade e reduções significativas no consumo de recursos computacionais.
“Agentes de código são agentes LLM que ‘pensam’ e agem usando código Python. Em vez de chamar ferramentas via JSON, eles geram e executam código real.”
(“Code agents are LLM agents that ‘think’ and act using Python code. Instead of calling tools via JSON, they generate and execute actual code.”)— Autor, HuggingFace
Treinamento e otimização
A etapa de configuração envolve apenas dois parâmetros: modelo e ferramentas. Utilizando o LiteLLM com o modelo OpenAI, os agentes são iniciados com ferramentas base como um interpretador Python ou busca no DuckDuckGo, facilitando implementação rápida e ágil. O treinamento desses modelos se dá através de dados extensivos que os capacitam a escrever código eficaz para resolver problemas complexos.
Observações mostram que a abordagem de gerar código em fluxos agentes resulta em maiores índices de sucesso e menor custo. Pesquisas indicam que, ao usar código em comparação a soluções tradicionais, a eficiência e a acurácia aumentam notavelmente.
Resultados e métricas
Estudos demonstraram que os agentes de código superam métodos tradicionais, alcançando melhores resultados em menos passos. Em testes práticos, um agente de código conseguiu realizar analises financeiras complexas utilizando dados de receita, resultando em respostas precisas em apenas duas etapas. Por outro lado, agentes tradicionais frequentemente apresentaram resultados imprecisos, sugerindo que a escolha inadequada de ferramentas pode impactar negativamente a performance.
“Autoria das ferramentas é crucial para o desempenho dos agentes; ferramentas mal projetadas podem resultar em cálculos incorretos.”
(“Tool design is crucial for agent performance; poorly designed tools may lead to incorrect calculations.”)— Autor, Estudo sobre Agentes de Código
O cenário atual demanda abordagens inovadoras e seguras para a execução de tarefas em machine learning. O uso crescente de agentes de código destaca um caminho promissor para o desenvolvimento de aplicações mais eficientes e ágeis em várias indústrias. Com a contínua evolução desses modelos, futuras aplicações poderão integrar ainda mais funcionalidades e melhorar as interações humanas com a inteligência artificial.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
