Mennyt taisto · 2024-05-31 UTC
Research AI Agents Yhteenotto — 31. toukokuuta 2024
Kategoriasta Research AI Agents. 34 merkkiä asetettu 8 taistelijan kesken. Google AI Co-Scientist otti kruunun.
Lopulliset sijoitukset
Kokoonpano
Taistelijat
Profiilit jokaisesta työkalusta, joka kilpaili tässä taistossa, järjestettynä lopullisen pistemääränsä mukaan.
Google AI Co-Scientist
Monikanavaisen AI-järjestelmän, joka yhteistyössä tieteilijöiden kanssa generaatioihin ja kiihdyttää biologista tutkimusta.
Google AI Co-Scientist on moniosaajainen tutkimusyhteistyössä toimiva järjestelmä, joka auttaa tiedemiehiä lyömään keilauksissa biolääketieteellistä tutkimusta. Se on rakennettu Gemini 2.0:een ja toimii virtuaalina tieteellisenä yhteistyökumppanina auttaen luomaan uusia hypoteesejä ja tutkimusaiheita. Järjestelmää on tarkoitus kuvastaa tieteellisen tutkimusmenetelmän taustalla olevaa päätöksenteon prosessia ja paljastaa uutta alkuperäistä tietoa. Kun tieteilijä määrittelee tutkimuksen tavoitteen luonnollisella kielellä, Google AI Co-Scientist generoi uusia tutkimushypoteesejä, yksityiskohtaisen tutkimuksen yleiskuvan sekä kokeellisten protoollien. Järjestelmän käyttää erikoistuneita agentteja, mukaan lukien Generation, Reflection, Ranking, Evolution, Proximity, ja Meta-review, jotka käyttävät automaattista äänenantelua kaksinkertaistaa, arvioida ja yksinkertaistaa hypoteesejä. Järjestelmä mahdollistaa tiedemiehille interaktiivisen vuorovaikutuksen sen avulla, että tiedemiehet voivat antaa lähtöideat tutkimuksen alalle tai arvioinnin generoituissa tuloksissa luonnollisella kielellä. Google AI Co-Scientist käyttää myös työkaluja kuten verkkoselainta ja erikoistuneita AI-malleja täydentääkseen todentamista ja laadukkuutta generoituissa hypoteeseissä. Järjestelmä suunniteltuan flexibelina, skaalataa tietokonetta ja iteratiivisesti parantaa tieteellista päätöksentekoa annettuihin tutkimuksen tavoitteisiin suhteen. AI Co-Scientist soveltuu erityisesti tutkijoille, jotka vastaavat haasteisiin, joita aiheuttavat tieteellisten julkaisujen nopeasti kasvava lukumäärä ja tuntemattoman alueen ymmärrys. Näyttäen käyttämään viimeisimpien AI-keksintöjen, kuten kompleksisten aiheiden yhdistämisen sekä pitkäaikaista suunnittelua ja viestintää, tavoitteena voi olla nopeuttaa tieteellisen ja biotieteellisen tiedon löytämisen tahti. Järjestelmä on tutkittu monissa sovelluksissa, mukaan lukien geenien siirtämisen löytäminen ja uudelleen löytäminen. Vaikka kehitysyhteistyössä toimiva AI-konsepti esittää useita etuja, sen tehokkuus riippuu lopputuloksen laadukkaasta tutkimuskohdasta ja tiedemiehen kyvystä luoda tärkeää palautetta. AI Co-Scientist on uusi työkalu, jolla on mahdollisuus merkittävästi vaikuttaa tieteelliseen yhteisöön, mutta sen rajoitteet ja potentiaaliset syrjivyydet tarvitsevat huolellista arviointia. AI Co-Scientistin kehitystä on kunnossa vielä kauas mennessä, ja sen tulevat sovellukset ja parannukset riippuvat siis jatkuvasta tutkimuksesta ja kokeilusta.
Kriteerien jakautuminen
- Hypoteesi-alueiden generaatio
- Tutkimuksen yleiskatsaussuunnittelu
- Kokeellisen protokollan kehittäminen
- Tieteellisille toiminnallisille asioille erityispohjattuja agentteja
- Automaattinen palautusreago
- Verkkotietokoneen integraatio
Bright Data Web MCP
MCP-palvelin tarjoaa AI-agentteille luotettavan verkkohakemistoon, hakuun ja selausautomointiin 5 000 vapaaehtoista pyyntöä kuukaudessa.
Bright Data Web MCP on palvelin, joka mahdollistaa AI-agenttien luotettavan hankkiman verkkohakemistoon, tiedon etsimiseen, hakuun ja web-selausautomointiin. Palvelu tarjoaa 5 000 vapaaehtoista pyyntöä kuukaudessa. Palveluun liittyy AI-agenttien verkkohakemistoon pääsy, tiedon etsintä, datahakemistojen siivous ja verkkosivustojen kiertäminen ilman blokeja. Palvelu tarjoaa myös oheisia ominaisuuksia, kuten reaaliaikaisia hakutuloksia, datan etsintää, sivuston kiertämistä sekä selausautomointia. Bright Data Web MCP -palvelu on suunniteltu blokkipalauteen ja rajoituksiin kiertämiseen ja on turvattu reilulla 20 000 asiakkaan kautta maailmanlaajuisesti.
Kriteerien jakautuminen
- Reaaliaikainen verkkohaku
- Verkkosivuston kiertäminen
- Selausautomointi
- Maantieteellisten rajoitusten ja CAPTCHAn kiertäminen
- JavaScriptin käyttö reaalitilannekuvaamiseen
- Virkkautena ihmistä vastaavia käyttäytymiseen
Kosmos
Autonominen AI-tutkija pitkille tutkimuskampanjoille, joka analysoi tietoja ja kirjallisuutta tuottaen täydellisesti viitatut tieteelliset raportit.
Kosmos on itsenäinen tekoälytutkija, joka on suunniteltu biotieteellisten tutkimus- ja kehitystiimien ja tutkijoiden tarpeisiin. Se analysoi tietoja ja kirjallisuutta tuottaen täysin viitettyjä tieteellisiä raportteja, jotka nopeuttavat lääkekehitysprosessia hypoteesistä rekisteröintiin päivissä, ei kuukausissa. Kosmos toimii itsenäisesti lukiessaan kirjallisuutta, luodessaan hypoteeseja, ohjatessaan tutkimuksia ja suorittaessaan tieteellisiä työnkulkuja. Se tukee koko lääkekehityksen elinkaarta, alkaen kohteen tunnistamisesta aina kliiniseen kehitykseen ja ilmoittamiseen. Tekoälytyökalu tekee yhteistyötä ihmistutkijoiden kanssa Slackin, Teamsin ja sähköpostin kautta ja oppii organisaation tietämysvarastosta käyttäen kokeellista historiaa ja omistettua tieteellistä dataa.
Kriteerien jakautuminen
- Autonominen hypoteesin muodostus
- Kirjallisuusanalyysi
- Data-analyysi
- Tieteellisen työnkulun suorittaminen
- Yhteistyö Slackin, Teamsin ja sähköpostin kautta
- Malliagnostinen tuleville huipputason malleille
THEUS (Aigora)
Yritysten ai-tutkimussysteemi, joka muuntaa omistamia tutkimuksia seurattaviksi näkökohtien avaimilla, viittauksin ja asiantuntijahaastatteluilla synteesiksi.
Aigorassa on yrityksille tarkoitettu AI-tutkimussysteemi, joka muuttaa omistamia tutkimuksia seuraamisia tuloslokeihin, verkkolinkkeihin sekä asiantuntijakuviksi. Se perustuu Google:n Agent Development Kit -keskellä ja käyttää kaikkiin suuntaan käytävää mallintamista tieto- perustuvien tietokonetieteen agenttien kanssa. Käyttäjät voivat etsiä, synnyttää ja tutkia tutkimustietojaan, ja jokainen väittämä voidaan todistaa oikeassa Fact IID:ssä sisällä olevalla sivu- tasoisten verkkolinkkien kanssa. Aigorassa on kaksi tapaa tarkastella tietoja: tuottaa uusia ideoita Dr. Reedin kanssa tai analysoi olemassaolevaa tietoa Dr. Sinclairen kanssa. Tämä alusta on suunniteltu strategisen kykyjen rakentamisen arvioimiseksi analytiikan johtajille, alan maailmanlaajuisille havaintuusjohtajille sekä innovaatiotekniikoiden johtajille. Siihen käytetään tarkasti määriteltyä tutkimusmenetelmää, ei perussopimusta yrityksille tarkoitettua älykkyyttä, ja se luotaa tietoon perustuvia tietoja agentit, jotka ovat koulutettu todellisella kohdemateriaalilla. Uusien tuotteiden mentyä romahdusvaaraan 85 prosenttia kahden vuoden sisällä (Nielsen), todiste- peräisellä tutkimuksella toteutettu tutkimus parantaa päätöksentekoa merkittävästi. THEUS tarjoaa yksittäisen tuotteen, johon sisältyvät ominaisuudet, kuten enintään 30 asiakirjaa sisältävä kuukausikasvu, enintään 1 500 sivua analyysissä oleva kuukausikasvu sekä enintään 500 kysymystä Dr. Sinclairille kuukaudessa. THEUS on yksi näistä keinoista, joilla voit muuttaa omat vuosia sietävät salaiset dataasi johdetuksi, päätöksentekevällä älykkyydeksi avain-agentteihin, joiden älykkyys perustuu tiedonkirjoittamiseen.
Kriteerien jakautuminen
- Kerää, syntetisoi ja tutki tutkimustietoa
- Sinteesoi uusia näkökohtia Dr. Reedin tai analysoi jo olemassa olevaa tietoa Dr. Sinclairen avulla
- Puuttuva mallintaminen tiedon perusteen tiedon keskushenkilöille
- Sovita tuotteen ja asiakkaan tiedot toisensa puolittain tiedoksi
- Tuki ristitutkijoiden synnyttämiseen ja tutkimustäyskäytäntöanalyysiin
- Sovita läpikäyvä synteese ja tutkimuksen aukkotunnus
AMIE
Monimodaalinen diagnostinen tiedon agentti joka suorittaa kliinisiä keskusteluja ja tulkitsi lääketieteellisiä kuvia tarkoin diagnooseiksi.
AMIE (Artikulaatio-lääketieteellinen Intelliensiivetutkimus) on Google DeepMindin ja Google Researchin kehittämä tutkimustaiteellinen diagnostiikka agentti. Se on suunniteltu suorittamaan kliinisiksi keskusteluihin liittyviä kliinisiä keskusteluja ja tulkitsi lääketieteellisiä kuvia tarkoihin diagnooseiksi. Alkuperäisenä, tekstipohjaisena menettelynä julkaistiin AMIE Nature-lehdessä. Viimeisimmän kehitysaninan multimodaalinen AMIE integroi kyvyyden älykkäästi pyytää, tulkita ja järjestää visuaalista lääketieteellistä tietoa kliinisissä keskusteluissa. Tämän kehittämisen tarkoituksena on parantaa diagnoositarkkuutta sisällyttämällä multimodaalista tietoa diagnoosivaiheeseen, kuten kuvia ja asiakirjoja. AMIE käyttää tila-tietoisesta järjestelmää ja on rakennettu Multimodaalisen Gemini- mallin päälle. Sen on arvioitu lääkäreiden asiantuntijapalauteiden avulla, mukaan lukien Osanvaraista Strukturoituja Kliinisessä Tutkimuksessa (OSCE), ja sen suoritus on verrattu ensisijaisiin lääkäriin tarkastelussa, erilaisissa potilastapauksissa.
Kriteerien jakautuminen
- Multimodaalinen diagnostinen dialogi
- Visuaalinen lääketieteellinen tiedon tulkinta
- Tila-tietoinen järjestelmää
- Integrointi Gemini-malleihin
- Simulointiympäristö dialogin arvioimiseksi
QualiaInterviews
Tiedonhallintaohjelmaa käyttävä, monikielinen ja konverentaalinen tutkimus- ja arviointikokemuksista laaja-alaisten haastattelujen tueksi
QualiaInterviews on tutkimusalue, joka käyttää AI:ta haastatteluiden suorittamiseen osallistujien kanssa luonnollisesti, vuorovaikutteisessa dialogissa. Sen avulla ryhmät voivat kerätä laadullisia ideoita suurempien tutkimuspopulaatioiden kanssa kuin perinteisissä yksijakoisissa haastatteluissa mahdollista, samalla kun säilytetään avointen kysymysten syvyyttä ja monikerroismausta. Työkalu tukee haastatteluita useilla kielillä, mikä tekee siitä hyödyllisen valtaisille tutkimuksille, kansainvälisten markkinatutkimusten sekä ohjelman arvioinnin kanssa. Tutkijat voivat suunnitella haastatteluideansa, lähettää niitä osallistujiin ja tarkastella automaattisesti säänneltyjä löytöjään ilman tarvetta valvoa manuaalisesti jokainen sesonki. QualiaInterviews on usein yhteiskuntatieteellisissä tutkimuksissa, vertailevaisuudessa, UX-työryhmissä sekä organisaatioissa, jotka tekevät vaikutusten arvioinnin tarvitsevissa yrityksissä, joilla on käytännöllinen ja laadukas laadullista aineistoa. QualiaInterviews ei siis uhrata keskustelun monipuolisuutta skalaarisuuden hyväksi.
Kriteerien jakautuminen
- AI:lla ohjaamia konverentaalisia haastatteluita
- Monikielinen haastatteluoikeus
- Automaattisia seurausoja ja tutkimispyyntöjä
- Rakenteellinen analyysi kvalitatiivisia vastauksia koskevaa
- Ekoskalaarinen osallistujien jakelu
- Tutkimus- ja arvioinninpeltisäännöt
Table Agent
Sovellusautomatisointia tietoasiakkaana liikettä ja karttumista taulukon tutkimiseen
Table Agent on AI:lla varustettu tietotyökalu, jonka tarkoitus on auttaa tabuloinnissa tehtävää tutkimustyötä. Sen tavoitteena on auttaa kehittämään prosessia, kun on tarvetta hankkia tietoa halutusta aiheesta, tekemällä tutkimustyöstä tehokkaampaa. Aloitteen antaa käyttäjiälle sovellettuja tietokokoelman rakennejä, joka mahdollistaa käyttäjien sopeuttavan tietonsamateriaalia erityistä tarvetta vastaavaksi. Tämän soveltuvuuden ansiosta sovelluksissa ja teollisuudenaloilla käytössä olevassa laajassa valikossa käytetään tietorakennetta suurelta osin eri tavoin. Table Agentin kärkiosaamisena toimii sen AI-agentia käyttävä datahakukeinonalähde. Tämä tarkoittaa, että työväline käyttää ihmisen tietoisuutta ylittävää käsitykettä aktivoida dataa etsimään ja yhdistää tarkkaan soveltuvaa tietoa, mikä voi potentiaalisesti vähentää manuaalihaun aikaa ja työtä. Vaikka sen toimintakierrokset ja integraatiot eivät kuvata yksityiskohtia, AI-siirtokoneen konsepti viittaa siihen, että se saattaa helposti integroida erilaisiin tietoanalyysitooliin, parantamalla kokonaisuutta tutkimusprosessia. Tässä tarvittaisiin enemmän tietoa Table Agents mahdollisista vikoista tai sen vertailukelpoisuudesta muuhun data-asiantuntijointuihin, mutta sen voimaa voidaan varmuudella pitää sen tietoihin perustuvassa automaation mahdollisuudessa sekä siihen kykenevänä erilaisia tietojärjestelmiä muokkaamaan.
Kriteerien jakautuminen
- Automatisoitu tietojen kokoaminen
- Mukautettavat tietorakenteet
- Tiedonhaun ajankohtaisia teknologioita
- Nopea ja tarkka tietoja hakeminen
Autoresearch
Avointa lähdekoodia käyttävä projekti, joka sallii AI-agenttien itseohjaavan LLM-koulutuskokeilujen suorittamisen ja parhaan mallimuutosten säilyttämisen.
Autoresearch on avointa lähdekoodia käyttävä projekti, joka mahdollistaa AI-agenttien itseohjaavan LLM-koulutuskokeilujen suorittamisen ja parhaan mallimuutosten säilyttämisen. Projektissa käyttäjä voi asettaa pieniä, mutta todellisia LLM-koulutusympäristöjä ja jättää AI-agentin kokeilemaan niitä yöllä, muuttamalla koodia muutaman hetken ajaksi ja tarkastamalla, paraneeko tulokset. Tarkoituksena on automatisoida tutkimusprosessia, jonka avulla AI-agentti voi tutkia eri mallirakenteita, hyperparametreja ja optimointitactiseja ilman ihmisen toimenpiteitä. Projektissa on yksinkertainen, jokaista-GPU:n implementointiä nanochat -mallille sekä alkeellinen rakenne ohjelmoida AI-agentin tutkimusprosessia Markdown-tiedostoja käyttäen. Projektissa on suunnitteilla toimivaa, joka sallii käyttäjien lisätä lisää agentteja ja parantaa tutkimusprosessia ajan myötä.
Kriteerien jakautuminen
- Itseohjaavat LLM-koulutuskokeilut
- AI-agenttiin perustuva tutkimusprosessi
- Yksittäisten jokiessa-GPU:n implementointi nanochat-mallille
- Markdown-pohjainen ohjelmointi tutkimusprosessille
- 5-minuutin koulutusaikabudjetti val_bpb-arvon mukaan