Класна стаття від Meta. І ще одне чудове застосування багатоагентних систем. (зберіть у закладки) Навчання сучасних моделей ШІ вимагає величезних обсягів високоякісних даних. Однак вузьке місце — це не лише кількість. Дані просто недостатньо різноманітні. Окремі моделі, що генерують синтетичні дані, зазвичай дають однорідні результати, повторюються закономірності та не мають тієї тонкої різноманітності, як у створених людиною наборах даних. Це нове дослідження від Meta представляє Matrix — peer-to-peer фреймворк, де кілька агентів ШІ спільно генерують синтетичні навчальні дані через децентралізовані взаємодії. Matrix досягає на 2–15× вищу пропускну здатність даних при ідентичних апаратних ресурсах, не втрачаючи якість вихідних даних. Коротко; DR: Замість того, щоб одна модель створювала дані, спеціалізовані агенти виконують окремі ролі та взаємодіють між собою. Один ставить питання, інший відповідає, третій оцінює якість. Ці багатоповоротні розмови відображають складне мислення та різноманітні точки зору. Що відрізняє Matrix: немає центрального координатора. Агенти спілкуються безпосередньо в повністю децентралізованій архітектурі. Це забезпечує масштабованість без вузьких місць інфраструктури. Фреймворк працює через протоколи розмов на основі ролей, багатоповоротні патерни взаємодії та вбудовану фільтрацію якості на кожному етапі. До фінального навчального набору потрапляють лише дані, що відповідають пороговим вимогам якості. Багатоагентна співпраця створює більш різноманітні синтетичні дані, ніж підходи з однією моделлю. Отримані набори даних покращують продуктивність моделі на основі орієнтирів міркування та виконання інструкцій.