Ny metod låter AI-agenter navigera kaotiska datamängder mer tillförlitligt
Forskare har byggt en AI-agent kallad OGDA som använder en ontologi (en slags strukturerad karta över data) för att undvika ett vanligt problem: när agenter letar igenom enorma datamängder fylls deras 'arbetsminne' och de börjar göra fel. OGDA presterar upp till 10,82 poäng bättre än de starkaste jämförelsesystemen på två etablerade testbenchmarks. Det intressanta är egentligen hur enkel idén är – ge agenten en karta först, låt den sedan navigera.
Djupdykning
De flesta AI-agenter som jobbar med dataanalys fungerar som någon som letar efter nycklar i ett mörkt rum – de famlar runt, öppnar fil efter fil, tills minnesutrymmet (kontextfönstret) är fullt och de börjar göra slarviga misstag. OGDA löser det genom att först bygga en "ontologi" – tänk det som en karta över rummet som beskriver vad som finns var och hur olika datakällor hänger ihop – innan agenten ens börjar lösa uppgiften. Det som de flesta missar i den här typen av forskning är att problemet inte är att LLM:er är dåliga på dataanalys, utan att de är dåliga på att *navigera kaos*, och det är ett strukturproblem, inte ett intelligenproblem. Genom att låta en agent föreslå strukturer och en annan verifiera dem mot faktisk data bygger OGDA kartan dynamiskt, vilket är betydligt mer robust än att hårdkoda den. En 10,82-poängs förbättring mot starka baslinjer låter modest men är anmärkningsvärt i ett fält där varje procentenhet är svår att ta, och det antyder att "bygg förståelse först, agera sen" kan bli ett designmönster som sprider sig långt utanför dataanalys.