TimeClaw: фреймворк для AI-агентов, работающих с временными рядами в контексте
Исследователи из Университета Иллинойса в Урбане-Шампейне представили TimeClaw — фреймворк для создания агентов общего назначения, способных работать с временными рядами в богатом контексте. Работа опубликована на arXiv.
Временные ряды часто окружены дополнительной информацией (контекстом), которая важна для полного анализа. Однако современные AI-агенты, даже мощные LLM, в основном оперируют текстом и плохо адаптированы к структурированным временным сигналам. TimeClaw решает эту проблему, предоставляя агенту среду выполнения для временных рядов.
Фреймворк включает три ключевых компонента. Первый — исполняемые временные инструменты: агент может вызывать проверяемые функции для анализа данных (например, прогнозирование, обнаружение аномалий). Второй — эволюция навыков на основе опыта: система накапливает и оптимизирует многократно используемые аналитические процедуры. Третий — эпизодическая мультимодальная память, позволяющая извлекать релевантные цепочки рассуждений.
Такая архитектура позволяет агенту вести открытые временные рассуждения в контексте, не ограничиваясь одной задачей. Практикам больше не нужно вручную разбивать рабочий процесс на отдельные шаги — агент может выполнять их автоматически, опираясь на накопленный опыт.
В ходе экспериментов TimeClaw протестировали на нескольких наборах данных из энергетики, финансов, погоды, трафика и других реальных сфер. Результаты показали улучшение производительности по сравнению с базовыми LLM-агентами и специализированными методами, особенно в задачах, требующих учета контекста.
Разработчики опубликовали код TimeClaw на GitHub, что позволяет исследователям и инженерам интегрировать фреймворк в свои проекты. Это открывает путь к созданию более универсальных AI-помощников для анализа данных в науке и бизнесе.
TimeClaw — один из примеров того, как LLM-агенты перестают быть просто чат-ботами и превращаются в полноценных инструментов для работы со специализированными данными. Развитие подобных систем может существенно упростить анализ временных рядов в прикладных областях.
