Eerdere strijd · 2024-05-31 UTC
Research AI Agents Duel — 31 mei 2024
Uit de categorie Research AI Agents. 34 markeringen geplaatst over 8 strijders. Google AI Co-Scientist pakte de kroon.
Eindstand
De line-up
De strijders
Profielen van elke tool die in deze strijd meedeed, gerangschikt op eindscore.
Google AI Co-Scientist
Een multi-agent AI-systeem dat samenwerkt met wetenschappers om hypotheses te genereren en biomedisch onderzoek te versnellen.
De Google AI Co-Scientist is een multi-agent AI-systeem dat is ontworpen om samen te werken met wetenschappers en biomedisch onderzoek te versnellen. Het is gebouwd met Gemini 2.0 en fungeert als een virtuele wetenschappelijke collaborator om nieuwe hypothesen en onderzoeksvoorstellen te helpen genereren. Het systeem is bedoeld om het redeneerproces dat ten grondslag ligt aan de wetenschappelijke methode na te bootsen en nieuwe, originele kennis te ontdekken. Gegeven een onderzoeksdoel van een wetenschapper dat in natuurlijke taal is gespecificeerd, genereert de AI Co-Scientist nieuwe onderzoekshypothesen, een gedetailleerd onderzoeksoverzicht en experimentele protocollen. Het gebruikt een coalitie van gespecialiseerde agents, waaronder Generation, Reflection, Ranking, Evolution, Proximity en Meta-review, die gebruikmaken van automatische feedback om iteratief hypothesen te genereren, te evalueren en te verfijnen. Het systeem stelt wetenschappers in staat om op verschillende manieren met het systeem te interageren, waaronder het leveren van startideeën voor verkenning of feedback op gegenereerde uitvoer in natuurlijke taal. De AI Co-Scientist maakt ook gebruik van tools zoals web-search en gespecialiseerde AI-modellen om de gronding en kwaliteit van gegenereerde hypothesen te verbeteren. Het systeem is ontworpen om flexibel te schalen en zijn wetenschappelijke redeneervaardigheden iteratief te verbeteren richting het gespecificeerde onderzoeksdoel. De AI Co-Scientist is bijzonder nuttig voor wetenschappers die moeite hebben om de snelle groei in wetenschappelijke publicaties bij te houden en inzichten uit onbekende domeinen te integreren. Door gebruik te maken van recente AI-vooruitgangen, waaronder het vermogen om complexe onderwerpen te synthetiseren en langetermijnplanning en -redenering uit te voeren, heeft de AI Co-Scientist tot doel de kloksnelheid van wetenschappelijke en biomedische ontdekkingen te versnellen. Het systeem is getest in verschillende toepassingen, waaronder het ontdekken van genoverdracht en het opnieuw ontdekken van genoverdracht. Hoewel de AI Co-Scientist verschillende voordelen biedt, is de doeltreffendheid afhankelijk van de kwaliteit van het ingevoerde onderzoeksdoel en het vermogen van de wetenschapper om betekenisvol feedback te geven. De AI Co-Scientist is een nieuwe tool die het potentieel heeft om een aanzienlijke impact te hebben op de wetenschappelijke gemeenschap, maar de beperkingen en mogelijke vooroordelen moeten zorgvuldig worden geëvalueerd. De ontwikkeling van de AI Co-Scientist is een voortdurende inspanning en de toekomstige toepassingen en verbeteringen ervan zullen afhankelijk zijn van continu onderzoek en testing.
Kritériumverdeling
- Hypothese generatie
- Onderzoeksoversicht creëren
- Ontwikkeling van experimentele protocollen
- Gespecialiseerde agenten voor wetenschappelijke redenering
- Automatische feedbackloop
- Integratie van web-search
Bright Data Web MCP
MCP-server die AI‑agents betrouwbare webzoekopdrachten, scraping en browserautomatisering biedt met 5.000 gratis maandelijkse verzoeken.
Bright Data's Web MCP is een server die AI‑agents in staat stelt betrouwbare webzoekopdrachten, scraping en browserautomatisering uit te voeren. Het biedt 5.000 gratis maandelijkse verzoeken. Het stelt AI‑agents in staat het web effectief te doorzoeken, data te extraheren en websites te navigeren zonder geblokkeerd te worden. Het biedt functies zoals realtime zoekresultaten, dataverzameling, website‑crawling en browserautomatisering. De Web MCP is ontworpen om blokkades en beperkingen te omzeilen, en wordt door meer dan 20.000 klanten wereldwijd vertrouwd.
Kritériumverdeling
- Realtime webzoekopdrachten
- Website‑crawling en gegevensextractie
- Browserautomatisering
- Omzeilen van geo‑beperkingen en CAPTCHAs
- JavaScript‑rendering voor dynamische inhoud
- Imiteren van echt gebruikersgedrag
Kosmos
Autonome AI-wetenschapper voor lange onderzoeks campagnes die data en literatuur analyseert om volledig onderbouwde wetenschappelijke rapporten te produceren.
Kosmos is een autonome AI-wetenschapper die is ontworpen voor biopharma R&D-teams en onderzoekers. Het analyseert data en literatuur om volledig onderbouwde wetenschappelijke rapporten te produceren, waardoor het drugontwikkelingsproces van hypothese tot registratie in dagen, niet maanden, wordt versneld. Kosmos werkt autonoom, leest literatuur, genereert hypothesen, stuurt onderzoeken aan en voert wetenschappelijke workflows uit. Het ondersteunt de volledige levenscyclus van drugontwikkeling, van doelidentificatie tot klinische ontwikkeling en indiening. De AI-tool werkt samen met menselijke wetenschappers via Slack, Teams en e-mail en leert van de kennis van de organisatie, voortbouwend op experimentele geschiedenis en propriëtaire wetenschappelijke data.
Kritériumverdeling
- Autonome hypothese generatie
- Literatuur analyse
- Data analyse
- Wetenschappelijke workflow uitvoering
- Samenwerking via Slack, Teams en e-mail
- Model agnostisch voor toekomstige state-of-the-art modellen
THEUS (Aigora)
Bedrijfs-AI-onthangsysteem dat eigendomsstudies omzet in waarneembare inzichten met Fact IDs, aanbevelingen en expert-avatarren voor synthese.
THEUS is een zakelijk AI-onderzoekssysteem dat propriëtaire studies omvormt tot traceerbare inzichten met feit-ID's, verwijzingen en expert-avatar's. Het is gebouwd op Google's Agent Development Kit (ADK) en gebruikt bidirectionele modellering voor data-gebaseerde kennisagenten. Gebruikers kunnen hun onderzoeksgegevens extracten, synthetiseren en verkennen, en elke bewering wordt ondersteund door een specifieke Feit-ID met paginaniveau-verwijzingen. THEUS biedt twee manieren om te verkennen: het genereren van nieuwe inzichten met Dr. Reed of het analyseren van bestaande kennis met Dr. Sinclair. Het platform is ontwikkeld voor VPs Insights, Global Sensory Leads en innovatieleiders die de strategische opbouw van capaciteiten evalueren. Het maakt gebruik van een doelgerichte onderzoeksmethodologie, geen generieke enterprise AI, en creëert datagedreven kennisagenten die zijn getraind op daadwerkelijke institutionele gegevens. Met 85% van nieuwe producten die binnen twee jaar falen (Nielsen), verbetert evidence-based verkenning de besluitkwaliteit aanzienlijk. THEUS biedt een solo seat aan, met functies zoals het verwerken van maximaal 30 documenten per maand, het parseren van maximaal 1.500 pagina's per maand en het stellen van maximaal 500 vragen aan Dr. Sinclair per maand. Een van de belangrijkste voordelen van THEUS is het vermogen om decennia aan propriëtaire gegevens om te zetten in traceerbare, beslissingsklare inzichten met behulp van AI-gebaseerde kennisagenten.
Kritériumverdeling
- Uit het onderzoek halen, synthetiseren en verkennen
- Genereer nieuwe inzichten met Dr. Reed of bestaande kennis analyseren met Dr. Sinclair
- Bidirectionele modellering voor data-aangedreven kennisagenten
- Verbind product- en consumentenkennis voor bidirectionele inzichten
- Ondersteunt cross-studie synthese en onderzoeksbreukanalyses
- Supports
AMIE
Een multimodaal AI‑diagnostisch agent dat klinische gesprekken voert en medische beelden interpreteert voor nauwkeurige diagnoses.
AMIE (Articulate Medical Intelligence Explorer) is een onderzoeks‑AI‑diagnostisch agent ontwikkeld door Google DeepMind en Google Research. Het is ontworpen om klinische gesprekken te voeren en medische beelden te interpreteren voor nauwkeurige diagnoses. Initieel was AMIE een tekstgebaseerde medische diagnostische conversatie‑AI die werd gepubliceerd in Nature. De nieuwste ontwikkeling, multimodaal AMIE, integreert het vermogen om visuele medische informatie op intelligente wijze op te vragen, te interpreteren en erover te redeneren tijdens klinische gesprekken. Deze ontwikkeling beoogt de diagnostische nauwkeurigheid te verbeteren door multimodale data, zoals beelden en documenten, in het diagnostische proces te verwerken. AMIE maakt gebruik van een state‑aware redeneringskader en is gebouwd op multimodale Gemini‑modellen. Het is geëvalueerd via deskundige beoordelingen, waaronder Objective Structured Clinical Examinations (OSCEs), waarbij de prestaties werden vergeleken met primair zorgverleners (PCP’s) in diverse patiëntenscenario’s.
Kritériumverdeling
- Multimodaal diagnostisch dialoog
- Interpretatie van visuele medische informatie
- Statenbewust redeneringskader
- Integratie met Gemini‑modellen
- Simulatieruimte voor dialoogevaluatie
QualiaInterviews
Platform beïnvloed door AI voor multinationaal conversatieonderzoek en evaluatie-interviews op grote schaal.
QualiaInterviews is een onderzoeksplatform dat gebruikmaakt van AI om interviews met deelnemers te voeren via natuurlijk, conversationeel dialoog. Het stelt teams in staat om kwalitatieve inzichten te verzamelen uit grotere steekproeven dan traditionele één-op-één-interviews toestaan, terwijl de diepte en nuance van open-ended gesprekken behouden blijven. Het tool ondersteunt interviews in meerdere talen, waardoor het geschikt is voor grensoverschrijdende onderzoeken, wereldwijde marktonderzoek en programma-evaluatie. Onderzoekers kunnen interviewgidsen ontwerpen, deze aan deelnemers 배포en en automatisch gestructureerde bevindingen beoordelen zonder elke sessie handmatig te modereren. QualiaInterviews wordt meestal gebruikt door sociale onderzoekers, evaluators, UX-teams en organisaties die impactbeoordelingen uitvoeren en die schaalbare kwalitatieve data nodig hebben zonder conversatiediepte op te offeren.
Kritériumverdeling
- AI-gemodereerde conversatie-interviews
- Multilingue ondersteuning voor interviews
- Geautomatiseerde vervolgvragen en opzoekvragen
- Gestructureerd onderzoek naar kwalitatieve antwoorden
- Afzonderlijke implementatie van deelnemers
- Onderzoek- en evaluationstools voor workflows
Table Agent
Artificiële intelligentie-powdered data-assisteerder voor tabulair onderzoek
Table Agent is een AI-gepowered data-assistent ontworpen om bij te dragen aan tabulaire onderzoeken. Er is voornemens om het proces van samenvoeging van gegevens over elke gegeven thema automatiseren, waardoor onderzoek effectiever wordt. De tool stelt gebruikers in staat om hun data-schema's aan te passen, waardoor het de gebruikers is mogelijk om hun gegevensoverdracht aan te passen aan specifieke behoeften. Deze flexibiliteit is vooral nuttig voor een breed scala aan toepassingen en branches waar de gegevensstructuur significant kan verschillen. Op het hart van de functionaliteit van Table Agent draait de AI-agentbestuurde dataplaatszoeker. Dit betekent dat de tool kunstmatige intelligentie gebruikt om actief relevante gegevens te zoeken en samen te stellen, wat potentiële tijd- en inspanningsbesparingen kan veroorzaken bij het uitvoeren van handmatige zoekacties. Hoewel de details over zijn workflow en integraties niet zijn opgegeven, suggereert het concept van een AI-bestuurd gegevensassistent dat het mogelijk is om deze soort tools eenvoudig te integreren met verschillende gegevensanalysetools, waardoor de algemene onderzoeksprocessen verrijkt worden. De sterktes van Table Agent zouden hoogstwaarschijnlijk zijn de mogelijkheid om tijdrovende data-inzameltaken te automatiseren en de aanpasbaarheid van verschillende datastructuren. Zonder echter meer specifieke informatie is het echter lastig om zijn beperkingen vast te stellen of hoe hij zich vergelijkt met alternatieve data-assistent tools.
Kritériumverdeling
- Automatische gegevensverzameling
- Aanpasbare data-schema's
- AI-agent gedreven gegevenszoekfunctie
- Snelle en nauwkeurige gegevensoaverzameling
Autoresearch
Een open-source project waarmee AI‑agents autonoom LLM‑trainingsexperimenten kunnen uitvoeren en de beste modelwijzigingen behouden.
Autoresearch is een open-source project dat AI‑agents in staat stelt autonoom LLM‑trainingsexperimenten uit te voeren en de beste modelwijzigingen te bewaren. Het project laat gebruikers een kleine maar werkelijke LLM‑trainingsomgeving opzetten en een AI‑agent laten experimenteren over nacht, de code aanpassen, kort trainen en controleren of de resultaten verbeteren. Het doel is om het onderzoeksproces te automatiseren, waardoor de AI‑agent verschillende modelarchitecturen, hyperparameters en optimalisatiestrategieën kan verkennen zonder menselijke tussenkomst. Het project bevat een vereenvoudigde single‑GPU implementatie van nanochat en biedt een basisstructuur voor het programmeren van het onderzoeksproces van de AI‑agent met behulp van Markdown‑bestanden. Het project is ontworpen om uitbreidbaar te zijn, zodat gebruikers meer agents kunnen toevoegen en het onderzoeksproces in de loop van de tijd kunnen verbeteren.
Kritériumverdeling
- Autonome LLM‑trainingsexperimenten
- Onderzoekproces geleid door AI‑agents
- Single‑GPU implementatie van nanochat
- Markdown‑gebaseerd programmeren voor het onderzoeksproces
- 5‑minutige trainingsbudget met evaluatiemetriek (val_bpb)