Forscher der Pekinger Universität für Post und Telekommunikation haben mit AgentRefine eine neue Methode zur Verbesserung von KI-Agenten vorgestellt. Diese innovative Herangehensweise zielt darauf ab, KI-Agenten beizubringen, sich selbst zu korrigieren, was zu einer verbesserten Anpassungsfähigkeit und Generalisierung führt.
AgentRefine adressiert die Einschränkungen herkömmlicher Feinabstimmungsmethoden, die Agenten oft auf bekannte Aufgaben beschränken und bei neuen Herausforderungen an ihre Grenzen stoßen. Inspiriert vom Rollenspiel Dungeons & Dragons, umfasst der Trainingsprozess die Erstellung von Personas, Skripten und Herausforderungen. Die Datenerstellung für AgentRefine gliedert sich in drei Phasen: Skripterstellung, Trajektoriengenerierung und Verifizierung. Dieser Ansatz ermöglicht es den Agenten, aus Fehlern zu lernen und sich an neue Arbeitsabläufe anzupassen.
Die Forscher konnten nachweisen, dass mit AgentRefine trainierte Agenten bei verschiedenartigen Aufgaben besser abschneiden und sich leichter an neue Szenarien anpassen können. Besonders hervorzuheben ist die verbesserte Leistung bei unbekannten Aufgaben über verschiedene getestete Modelle hinweg.
Für Unternehmen ist es von großer Bedeutung, Agenten anpassungsfähiger zu gestalten, um deren Entscheidungsfindung zu verbessern. Dies steht im Einklang mit anderen Fortschritten im Bereich der KI, wie OpenAIs o3 “Programmsynthese” und Microsofts Magentic-One-Framework zur Orchestrierung mehrerer Agenten.
Durch den Einsatz von Methoden wie AgentRefine können Organisationen potenziell vielseitigere und effizientere KI-Agenten in verschiedenen Arbeitsabläufen einsetzen und deren Fähigkeit verbessern, sowohl Routine- als auch neuartige Aufgaben zu bewältigen.
Quellen:
Researchers improved AI agent performance on unfamiliar tasks using ‘Dungeons and Dragons’
AGENTREFINE: ENHANCING AGENT GENERALIZA- TION THROUGH REFINEMENT TUNING