Mecanismos autoevolutivos para agentes de IA
A Convergence construiu uma estrutura única de aprendizado em três níveis no nível da arquitetura do sistema:
- Camada de feedback instantâneoCada página de detalhes da tarefa apresenta uma classificação de 5 estrelas e uma área de feedback de texto, onde as classificações do usuário dos resultados da execução (por exemplo, precisão da classificação de e-mails) acionam o ajuste fino do modelo.
- rede de memória comportamentalAções corretivas do usuário sobre os resultados da automação: registre as ações corretivas do usuário sobre os resultados da automação (por exemplo, redragging de horários de reuniões), codificando padrões de ajuste como novos pesos de recursos.
- Aprendizagem por transferência entre tarefasOs recursos de reconhecimento de formulários adquiridos em cenários como a entrada de dados podem ser aplicados automaticamente a outros cenários verticais, como o processamento de faturas.
Destaques técnicos:
- A otimização de tarefas de alta frequência é de 3 a 5 vezes mais rápida do que a de tarefas de baixa frequência usando configurações diferenciadas de taxa de aprendizagem
- Analisar a intenção real do usuário (por exemplo, etapas de tarefas modificadas repetidamente) por meio da análise do comportamento do navegador
- A Enterprise Edition oferece suporte ao compartilhamento de conhecimento da equipe, e a experiência de processamento de e-mails dos membros do departamento de marketing pode capacitar a equipe de vendas.
Exemplo típico: um usuário sempre marca os e-mails de compras "com cópia para o CFO" como importantes e, após três feedbacks, o sistema adiciona automaticamente essa regra à política de tratamento de e-mails.
Essa resposta foi extraída do artigoConvergência: um assistente de IA que automatiza tarefas repetitivas em um navegador de agentesO
