Автономные AI-агенты взялись за научные задачи: сбор данных и анализ лекций
Исследователи разработали две новые системы автономного агентного ИИ для научных рабочих процессов. Обе системы используют гибридную архитектуру Local Body, Remote Brain на базе Google Colab, где Python-оркестраторы вызывают облачные языковые модели (LLM).
Первая система — DeepTS (также называемая DeepCollector) — автоматизирует масштабную курацию, извлечение и дедупликацию наборов данных временных рядов. Это позволяет учёным быстрее обрабатывать большие объёмы временных данных без ручного вмешательства.
Вторая система — DeepScribe — представляет собой автономный анализатор презентаций. Она преобразует визуально насыщенные и математически сложные лекции по физике в структурированные научные отчёты. Это существенно упрощает документирование и повторное использование материала.
В основе обеих систем лежат практические инженерные решения: гранулярное извлечение атрибутов (Cellular RAG), удалённая инспекция данных и распределённые механизмы управления конкурентным доступом. Эти подходы помогают преодолеть ограничения по контексту и рассуждениям, свойственные современным системам ИИ.
По словам авторов, разработанные методы позволяют агентному ИИ более строго поддерживать научные рабочие процессы. В перспективе планируется обобщение DeepTS для поддержки глубоких графов знаний и применение концепции в физике высоких энергий (проект DeepQCD).
