Selon une étude publiée cette semaine, des chercheurs ont mis au point une nouvelle technique appelée MemRL qui permet aux agents d'IA d'acquérir de nouvelles compétences sans nécessiter de coûteux réglages précis. Le cadre, créé par des chercheurs de l'université Shanghai Jiao Tong et d'autres institutions, dote les agents d'une mémoire épisodique, leur permettant de récupérer des expériences passées et de concevoir des solutions pour de nouvelles tâches.

MemRL permet aux agents d'affiner continuellement leurs stratégies de résolution de problèmes en fonction du retour d'information de l'environnement. Cette approche s'inscrit dans un mouvement plus large au sein de la communauté de la recherche en IA visant à créer des capacités d'apprentissage continu pour les applications d'IA.

Dans des expériences menées sur des benchmarks clés de l'industrie, MemRL a surpassé d'autres méthodes de référence, notamment la génération augmentée par la récupération (RAG) et d'autres techniques d'organisation de la mémoire. L'avantage était particulièrement prononcé dans les environnements complexes qui exigent de l'exploration et de l'expérimentation. Les résultats suggèrent que MemRL pourrait devenir un élément essentiel dans la construction d'applications d'IA conçues pour fonctionner dans des environnements dynamiques du monde réel où les exigences et les tâches sont en constante évolution.

Le développement répond à ce que les chercheurs en IA appellent le "dilemme stabilité-plasticité". Ce défi consiste à créer des systèmes d'IA capables de s'adapter à de nouvelles informations (plasticité) sans oublier les connaissances acquises précédemment (stabilité). MemRL offre une solution potentielle en permettant aux agents de stocker et de récupérer des expériences passées pertinentes, ce qui leur permet de s'adapter à de nouvelles situations sans perturber leur base de connaissances existante.

"MemRL permet aux agents d'utiliser le retour d'information de l'environnement pour affiner continuellement leurs stratégies de résolution de problèmes", ont déclaré les chercheurs dans leur article.

Les implications de cette recherche s'étendent à divers domaines où les agents d'IA sont déployés, notamment la robotique, la conduite autonome et la médecine personnalisée. En permettant aux agents d'apprendre et de s'adapter en temps réel, MemRL pourrait conduire à des systèmes d'IA plus robustes et efficaces, capables de gérer les complexités du monde réel.

Les prochaines étapes pour les chercheurs consistent à explorer l'évolutivité de MemRL à des environnements et des tâches encore plus complexes. Ils prévoient également d'étudier comment MemRL peut être combiné à d'autres techniques d'apprentissage afin d'améliorer encore les capacités des agents d'IA. La recherche met en évidence les efforts continus pour créer des systèmes d'IA capables d'apprendre et de s'adapter d'une manière similaire à celle des humains, ouvrant ainsi la voie à des applications d'IA plus intelligentes et plus polyvalentes.