LAI # 75: AI génératif vs AIGENTATIQUE AI V. AGENTS AI

Auteur (s): Vers l’équipe éditoriale de l’IA

Publié à l’origine sur Vers l’IA.

Bonjour, les passionnés de l’IA,

Le problème de cette semaine plonge dans l’endroit où le champ se dirige – au-delà de la génération, vers l’autonomie et une meilleure sensibilisation aux erreurs. Nous commençons par une ventilation des distinctions de plus en plus floues mais importantes entre AI génératifAgents d’agence AI et AI. Ensuite, nous passons à l’innovation appliquée: Graphrag de Microsoft, systèmes de chiffons multimodaux à l’aide de Cohere et Gemini, et un cadre pratique pour prédire lorsque votre modèle est sur le point de se tromper.

Également dans le mélange: DNNS vs modèles à base d’arbres pour le classement du commerce électronique, une puissante extension de navigateur de type curseur.

Allons-y.

– Louis-François Bouchard, vers le co-fondateur de l’IA et chef de la communauté

Apprenez la section communautaire AI ensemble!

Article communautaire en vedette de The Discord

Retconned a construit Sophon, une application de chat AI qui améliore votre expérience de navigation en comprenant et en interagissant avec vos onglets. Avec son compositeur intelligent, il peut voir les onglets que vous avez ouvrir, ce qui lui permet de comprendre le contexte et les formulaires, les zones de texte ou les champs de contexte en un seul clic. C’est une extension de navigateur et complètement gratuit. Vérifiez-le ici. Partagez vos commentaires dans le fil et soutenir un autre membre de la communauté!

Sondage de l’IA de la semaine!

La plupart d’entre vous font des chèques d’ambiance, et bien sûr, pour les tâches générales, l’idée est que l’IA ne se sente pas comme une IA. Mais comptez-vous également sur des «vibrations» pour des tâches plus quantitatives, où la précision de la sortie compte plus que la sortie de sortie? Partagez le fil, décidons ensemble!

MEME de la semaine!

MEME partagé par rucha8062

Section Tai organisée

Article de la semaine

Comment Graphrag fonctionne étape par étape Par Mariana Avelino

Ce blog explique Graphrag de Microsoft, une méthode qui utilise des graphiques de connaissances pour la génération auprès de la récupération. Les principaux processus détaillés étaient la création de graphiques, impliquant l’extraction des entités, le partitionnement de la communauté et l’interrogation, avec des fonctions de recherche locales et globales distinctes. Il a décrit comment les entités, les relations et les rapports communautaires sont générés et utilisés pour LLM Génération de réponse, y compris la gestion du contexte et la récupération sémantique.

Nos articles à lire à lire

1 et 1 Distiller-then-detect: un cadre pratique pour l’apprentissage automatique conscient des erreurs Par Shenggang Li

L’auteur a présenté un cadre, «distiller-then-détect», pour traiter les erreurs de prédiction dans apprentissage automatique Modèles, en particulier les «grandes ratés» sur les tranches de données critiques. Cette approche consiste à distiller un modèle «étudiant» compact à partir d’un modèle plus grand «enseignant». Il quantifie ensuite l’incertitude de l’enseignant et forme un méta-modèle pour prédire où l’enseignant est susceptible de se tromper. En combinant ces signaux dans un score de risque et en appliquant un étalonnage conforme pour le seuil, le système signale efficacement les prédictions à haut risque. Les expériences ont démontré que cette méthode identifiait des cas sujets aux erreurs avec une précision et un rappel équilibrés pendant que le regroupement de ces erreurs a fourni des informations exploitables sur les segments de données problématiques.

2 Au-delà du texte: construire des systèmes de chiffons multimodaux avec Cohere et Gemini Par Sridhar Sampath

Les systèmes de génération (RAG) traditionnels de récupération (RAG) ne parviennent souvent pas à traiter les données visuelles. Cet article détaille un système de chiffon multimodal conçu pour surmonter cette limitation en comprenant à la fois le texte et les images dans les documents. Il utilise des intégres multimodaux de Cohere pour créer des représentations vectorielles unifiées à partir de contenu comme les PDF. Gemini 2.5 Flash génère ensuite des réponses contextuelles en utilisant du texte correspondant ou des images, avec FAISS gérant l’indexation des vecteurs. Il explique le flux de travail du système, du téléchargement de documents pour la génération de réponses, démontrant sa capacité améliorée d’extraire des informations des graphiques, des tables et d’autres visuels par rapport au chiffon en texte uniquement.

3 et 3 AI génératif vs agents AI par rapport aux agents de l’IA: ce que tout le monde a besoin de savoir Par Vig poojan

L’article a clarifié les rôles distincts des agents génératifs de l’IA, de l’IA agentique et de l’IA. Il a expliqué que l’IA générative produit de nouveaux contenus basés sur des modèles apprises. L’IA agentique se concentre sur la stratégie, la planification et l’itération vers un objectif sans intervention humaine continue. Les agents de l’IA sentent ensuite leur environnement et exécutent des actions dans le monde numérique ou réel. En utilisant une analogie de cuisine et des exemples tels que le service client automatisé, la pièce illustrée comment ces types d’IA peuvent fonctionner indépendamment ou en collaboration pour effectuer des tâches complexes.

4 DNNS vs modèles traditionnels basés sur les arbres pour le classement du commerce électronique Par Nikhilesh Pandey

L’auteur discute de l’évolution des systèmes de classement des publicités du commerce électronique, détaillant le passage des modèles traditionnels à base d’arbres aux réseaux de neurones profonds (DNN). Il explique pourquoi les modèles basés sur les arbres ont atteint leurs limites et comment les DNN offrent des capacités supérieures pour gérer les données complexes, la personnalisation et la réalisation de prédictions de taux de conversion (CVR). En utilisant les publicités Doordash comme étude de cas, la pièce illustre le processus de migration itératif, y compris la définition de la ligne de base, l’optimisation de la formation et de l’évaluation du modèle avec des techniques telles que la normalisation des données et le traitement distribué, et relever des défis tels que l’écart de performance hors ligne.

Si vous êtes intéressé à publier avec Vers IA, Vérifiez nos directives et inscrivez-vous. Nous publierons votre travail sur notre réseau s’il répond à nos politiques et normes éditoriales.

Publié via Vers l’IA