Les chercheurs font pousser un arbre d'hypothèses pour les agents de codage IA

RÉVOLUTIONNER LA RECHERCHE AVEC UN ARBRE D'HYPOTHÈSES POUR LES AGENTS DE CODAGE IA
Les agents de codage IA peuvent souvent isoler la recherche, en exécutant des expériences et en générant des idées qui sont ensuite oubliées lorsque les fenêtres de contexte sont réinitialisées. Cela peut gaspiller des jetons, car les modèles répètent ensuite les mêmes erreurs et atteignent les mêmes impasses. Pour résoudre ce problème, des chercheurs ont introduit un nouveau cadre appelé Arbor, qui permet aux agents de se souvenir et d'affiner leurs apprentissages sur des sessions de recherche longues.

Présentation d'Arbor
Arbor est un « arbre d'hypothèses persistant » qui aide les agents à retenir et à affiner leurs apprentissages sur des sessions de recherche longues. Un coordinateur à long terme gère la stratégie de recherche sur l'arbre, tandis que des exécuteurs à court terme créent des sous-arbres isolés pour tester différentes hypothèses. À mesure que les résultats reviennent, l'arbre est mis à jour, rétréci et affiné tout au long de l'expérimentation.

Fonctionnement d'Arbor
Arbor est conçu pour répondre à trois exigences système. Premièrement, il doit être capable de créer des sous-arbres pour tester des hypothèses concurrentes. Deuxièmement, l'infrastructure doit séparer l'exécution locale de la stratégie globale. Troisièmement, le système doit être capable de distinguer l'amélioration exploratoire de l'amélioration vérifiée. Cela permet à l'IA d'apprendre de manière itérative à partir de modèles sous-jacents plutôt que de surestimer lors de la recherche et des essais.

Résultats et perspectives
Les tests pratiques ont montré que cette technique a permis des gains de performance de plus de deux fois supérieurs à ceux des agents de codage IA standard, pour le même budget. Cela s'explique par le fait qu'Arbor accumule des informations au fil du temps et permet aux agents de construire sur des découvertes antérieures, tout comme les humains le font, grâce à l'apprentissage, l'adaptation et l'amélioration continue. Les chercheurs estiment que la prochaine étape pour les agents autonomes pourrait consister à accumuler des preuves au fil du temps, mais cela soulève également des inquiétudes quant à la traçabilité des environnements de recherche robustes à grande échelle.

---

Source : Researchers grow a hypothesis tree for AI coding agents | InfoWorld​