Компьютерные науки > Искусственный интеллект [представлен 8 сентября 2026 года] Название: Agential ML Exploration (A-MLE) для Ads Ranging View PDF HTML (экспериментальный) Резюме: Модернизированные промышленные рекламы все более узкие не благодаря мощностям модели или тренировочным вычислениям, а по протеканию человеческой итерации ML - циклов исследований, осуществления, подготовки кадров, отладки, оценки и запуска, требующихся для обнаружения одного статистически значимого усовершенствования. Типичная ранжированная стопка содержит множество дифференцированных моделей, имеющих разнородные данные, архитектуру и инфраструктурные ограничения. Каждый цикл занимает от нескольких дней до недель внимания старших инженеров к каждой модели. В результате этого методы, доказавшие свою эффективность в одной модели, медленно и неравномерно распространяются на другие, оставляя неизученным существенный извлекаемый сигнал. Мы представляем Agentiqual ML Exploration (A-MLE) автономный LLM-агент, который систематически изучает технологии ML в портфеле рекламных моделей. A-MLE размножает ML итерацию на пять этапов, включая разработку гипотезы, стратегию разведки, проведение экспериментов, анализ результатов и обмен знаниями, которые организуются одним агентом, который использует специальные навыки домена и агентские рабочие процессы в отношении слоя исполнения песчаного ящика, а контрольно-пропускные пункты для людей внутри зоны на каждой стадии. Мы внедряем A-MLE в репрезентативный набор…
Агентская разведка ML (A-MLE) для ранжирования адсорбции
arXiv: 2609.082848v1 Annuatet Type: New Habrial: Modern Industry administration stacks все более узкие позиции не из-за мощности модели или учебного вычисления, а по протеканию человеческой итерации ML - циклов исследований, осуществления, подготовки кадров, отладки, оценки и запуска, необходимых для появления единого статистически значимого усовершенствования. Типичная ранжированная стопка содержит множество дифференцированных моделей, имеющих разнородные данные, архитектуру и инфраструктурные ограничения. Каждый цикл занимает от нескольких дней до недель внимания старших инженеров к каждой модели. В результате этого методы, доказавшие свою эффективность в одной модели, медленно и неравномерно распространяются на другие, оставляя неизученным существенный извлекаемый сигнал. Мы представляем Agentiqual ML Exploration (A-MLE) автономный LLM-агент, который систематически изучает технологии ML в портфеле рекламных моделей. A-MLE размножает ML итерацию на пять этапов, включая гипотезу, стратегию разведки, эксперимент экзеку