Die autonome Lernf?higkeit von KI -Modellen: Lernmethoden jenseits der Programmiersprachen

Lernen ist ein kontinuierlicher Prozess, sowohl für Menschen als auch für KI -Modelle. Eine h?ufige Frage ist jedoch, ob diese KI -Modelle unabh?ngig wie Menschen lernen k?nnen. Nach den neuesten Entwicklungen k?nnen sie . Um dies besser zu verstehen, gehen wir zurück zum College, als C, Java und Python die wichtigsten Programmiersprachen waren, die wir brauchten, um in Informatik zu meistern. Das Erlernen dieser Sprachen erfordert das Verst?ndnis von Grammatik, Semantik, praktischen Anwendungen und Probleml?sung. Um diese Sprachen zu beherrschen, haben wir daher kontinuierliche Praxis durchgeführt (oder als sie ausgebildet werden k?nnen). Au?erdem haben wir viel von Klassenkameraden und Professoren gelernt, oder? Ebenso, wie Menschen aus ihrem eigenen Denken, seiner Fachkenntnisse und anderen Medien lernen k?nnen, k?nnen dies gro?e Sprachmodelle (LLMs) tun.

Es ist jedoch eine schwierige Reise sowohl für Menschen als auch für LLM, Fachwissen zu erwerben oder Experte in einem bestimmten Bereich zu werden. Wir verstehen das menschliche Lern- und Argumentationsf?higkeiten sowie ihre F?higkeiten bei der Entscheidungsfindung und Erfüllung von Aufgaben, aber wie ist der Schulungsprozess von LLM?

Ich kann das sagen:

1. Erstens ist vor der Ausbildung für LLM: In diesem Schritt helfen Sie dem Modell, Muster wie Grammatik, Satzstruktur und sogar die Beziehung zwischen W?rtern und Konzepten zu lernen.
2. Befürworter Feinabstimmung (oder Feinabstimmung): Verwenden Sie um das Modell ein ausgew?hlter Datensatz mit den Anweisungsbeispielen und der gewünschten Antwort zu verwenden.
3. Verst?rkungslernen basierend auf menschlichem Feedback (RLHF): Humane Evaluatoren bewerten die Reaktionen von Modellen, die weiter verwendet werden, um die Konsistenz von Modellen mit den Erwartungen der Benutzer zu verbessern.

Das macht Sinn, oder? Aber was ist, wenn wir einen autonomen Workflow erstellen, damit das Modell das Modell lernen und die Ausgabe angibt, w?hrend wir alle Schecks unabh?ngig voneinander durchführen? Es ist, als h?tte ein pers?nlicher Assistent, der die gesamte Arbeit ohne manuelle Intervention erledigen kann. Darüber hinaus werden wir in diesem Artikel vier autonome KI -Entwurfsmuster diskutieren, die zum Aufbau von KI -Systemen verwendet werden.

• Was ist das unabh?ngige KI -Reflexionsmodell?
• Was ist der Verwendungsmodus des autonomen KI -Tools?
• Was ist das autonome KI -Planungsmodell?
• Was ist das autonome KI-Multi-Agent-Modell?

überblick

• In diesem Artikel wird erl?utert, wie KI -Modelle, insbesondere gro?e Sprachmodelle (LLMs) wie GPT , aus dem Hauptlernen entstehen k?nnen, indem autonome Workflows angewendet werden, die menschliche iterative Probleme simulieren.
• Autonome Workflows verbessern die KI -Leistung, indem sie Aufgaben allm?hlich verfeinern, ?hnlich wie die Menschen wiederholt ihre Arbeit für bessere Ergebnisse untersuchen und verbessern.
• Vier wichtige autonome Designmuster-Reflexion, Werkzeuggebrauch, Planung und Zusammenarbeit mit mehreren Agenten-werden als Strategien eingeführt, um KI-Systeme autonomer und kompetenter zu gestalten.

Inhaltsverzeichnis

• überblick
• Was ist ein unabh?ngiges Designmodell?
• Unabh?ngiger Entwurfsmodus: Bewertung
• 4 Unabh?ngige Designmodi, die Sie wissen müssen
  • Reflektiermodus
  • Werkzeugnutzungsmodus
  • Planungsmodus
  • Multi-Agile-Modus
• abschlie?end
• H?ufig gestellte Fragen

Was ist ein unabh?ngiges Designmodell?

Das autonome Designmodell wird als L?sung eingeführt, um LLM autonomer zu gestalten. Anstatt nur einen Hinweis auf das Modell zu geben und die endgültige Antwort zu erwarten (z. B. gleichzeitig das Schreiben eines Papiers), ist es besser, einen proxy?hnlichen Ansatz zu verwenden, der LLM mehrmals Schritt für Schritt auffordern soll. Jeder Schritt verbessert die Aufgabe und das Modell verbessert seine Ausgabe iterativ.

Um das besser zu verstehen, schauen wir es uns so an:

Wenn wir LLM im Stichprobenmodus auffordern, ist es so, als würde man jemanden bitten, eine Geschichte in einem GOS zu schreiben, ohne ?nderungen vorzunehmen. LLMs machen dabei gro?artige Arbeit, aber sie k?nnen es besser machen. Durch die Verwendung eines Proxy-?hnlichen Workflows k?nnen wir LLM mehrmals Schritt für Schritt auffordern. Jeder Schritt basiert auf früheren Schritten, wodurch die Reaktion verbessert wird. Stellen Sie sich vor, dass LLM den Artikel mehrmals überprüfen und in jeder Prüfung verbessert.

Jeder Schritt bedeutet:

Nehmen wir das Beispiel des Schreibens von Code mit einem autonomen Workflow:

1. Gliederung des Planungscode: Teilen Sie Aufgaben in kleinere Module oder Funktionen auf.
2. Sammeln Sie Informationen und Inhalte: Forschungsbibliotheken, Algorithmen oder vorhandene L?sungen. Bei Bedarf suchen Sie bitte das Internet oder sehen Sie sich das Dokument an.
3. Schreiben Sie einen ersten Codeentwurf: Implementieren Sie grundlegende Funktionen und konzentrieren Sie sich eher auf Struktur als auf Perfektion.
4. überprüfen Sie auf Ineffizienz oder Fehler im Code: überprüfen Sie, ob unn?tige Code, Fehler oder logische M?ngel unn?tig sind.
5. ?ndern Sie den Code: Refactor, optimieren oder fügen Sie Kommentare hinzu, um die Klarheit zu verbessern.

Wiederholen Sie diesen Vorgang, bis der Code effizient und pr?zise ist.

Indem das Modell diese Schritte unabh?ngig voneinander ausfüllen kann, verbessern autonome Designmuster das menschliche Argument und Effizienz. Dies ?hnelt der Art und Weise, wie Menschen komplexe Aufgaben abbauen, Informationen sammeln, Verbesserungen vornehmen und iterieren, bis das Endergebnis zufriedenstellend ist. Lassen Sie uns nun mehr über das unabh?ngige Designmodell erfahren.

Unabh?ngiger Entwurfsmodus: Bewertung

In einem von Andrew Ng geteilten Brief wies eine Analyse darauf hin, dass die KI-gesteuerte Codegenerierung Fortschritte gemacht hat, wobei die Leistung von Modellen wie GPT-3.5 und GPT-4 besonders beachtet wird. Der Schwerpunkt der Bewertung liegt auf den F?higkeiten dieser Modelle im bekannten Humaner-Codierungs-Benchmark, ein h?ufiger Standard für die Bewertung der F?higkeit von Algorithmen, Code zu schreiben.

Die bereitgestellten Daten zeigen die Entwicklung von KI -Codierungsfunktionen mithilfe von AI -Agenten. GPT-3,5 wurde in einer Einstellung nullstast (d. H. Ohne vorherige Beispiele) mit einer Genauigkeit von 48,1% getestet. GPT-4, das auch im Null-Stichproben-Modus bewertet wurde, zeigte signifikante Verbesserungen mit einer Erfolgsrate von 67,0%. Was jedoch in der Analyse hervorgehoben wird, ist, wie diese Modelle in iterative Agenten -Workflows (autonome Workflows) integriert werden, verbessern ihre Leistung dramatisch. Wenn GPT-3,5 in einer solchen Proxy-Schleife enthalten sind, steigt seine Genauigkeit auf beeindruckende 95,1%, weit über die Grundlinie und n?hert sich sogar der Kodierungsfunktionen auf menschlicher Ebene.

Dieser Befund unterstreicht das transformative Potenzial iterativer Workflows (autonome Workflows) bei der Verbesserung der Leistung von KI-Modellen , was darauf hindeutet, dass die Zukunft der AI-unterstützten Codierung m?glicherweise mehr auf diese fortschrittlicheren und anpassbaren Frameworks als auf Verbesserungen der Modellgr??e oder -architektur beruht.

Aber welche autonomen Entwurfsmodelle haben die Delegation der Autonomie über AI -Systeme abgeschlossen und es ihnen erm?glicht, unabh?ngiger und effektiver zu handeln? Diese Muster bauen KI-Agenten auf, um Aufgaben auszuführen, Entscheidungen zu treffen und mit anderen Systemen auf menschlicher und autonomere Weise zu kommunizieren und letztendlich Anwendungen zu erstellen, die sowohl versiert als auch zuverl?ssig sind.

4 Unabh?ngige Designmodi, die Sie wissen müssen

In autonomen KI- und wichtigen Entwurfsmustern ist es entscheidend zu verstehen, wie jedes Muster gro?e Sprachmodelle (LLMs) wie GPT erm?glicht, autonomer und effizienter zu arbeiten. Diese Designmuster durchbrechen die Grenzen der KI, indem sie die Selbstbewertung, die Integration von Werkzeugen, das strategische Denken und die Zusammenarbeit f?rdern. Lassen Sie uns vier wichtige autonome Designmuster untersuchen, die die Art und Weise formen, wie diese Modelle komplexe Aufgaben ausführen und ausführen.

Im Folgenden sind die Arten unabh?ngiger Entwurfsmuster aufgeführt:

1. Reflektiermodus

Das Reflexionsmodell konzentriert sich auf die Verbesserung der F?higkeit von KI, seine eigene Leistung zu bewerten und zu verbessern. Stellen Sie sich vor, ein LLM überprüft den Inhalt oder den Code, den er erzeugt, wie ein menschlicher Rezensent, identifiziert Fehler, Lücken oder Bereiche, die Verbesserungen erfordern, und machen dann Verbesserungsvorschl?ge.

Dieser Zyklus der Selbstkritik ist nicht auf eine einzige Iteration beschr?nkt. KI kann den Vorgang nach Bedarf mehrmals wiederholen, um verbesserte und perfekte Ergebnisse zu erzielen. Wenn beispielsweise die Aufgabe zum Schreiben von Software ist, kann LLM Erstversionen generieren, ihre eigene Logik und Struktur kritisieren und den Code ?ndern. Die iterative Reflexion erzeugt im Laufe der Zeit eine st?rkere und zuverl?ssigere Leistung.

Dieses Muster ist besonders nützlich bei Aufgaben, die Pr?zision erfordern, wie z. B. Erstellung von Inhalten, Probleml?sung oder Codegenerierung. Die Verwendung dieses Ansatzes kann die Genauigkeit und Zuverl?ssigkeit des Modells durch selbst geführte Korrekturen verbessern.

Ein interessantes Beispiel ist selbstreflektierender Lappen. Self-Rag ist ein Rahmen, um die Qualit?t und sachliche Genauigkeit von Sprachmodellen zu verbessern, indem das Abruf und die Selbstreflexion in den Prozess der Textgenerierung integriert wird. Traditionelle Modelle für die Such-verbesserte Generation (RAG) verbessern die Antworten durch Kombination von relevanten abgerufenen Abs?tzen, durchsuchen jedoch normalerweise eine feste Anzahl von Dokumenten, unabh?ngig von ihrer Relevanz, die m?glicherweise Rauschen oder irrelevante Inhalte einführen. Selbstabrechnung befasst sich mit diesen Einschr?nkungen durch einen adaptiven Ansatz, der Informationen basierend auf dem generierten Inhalt dynamisch abruft und Reflexionsmarker verwendet, um die Qualit?t der Generation zu bewerten.

Wie benutzt man Selbstschnittenreflexion?

Selbstschneidemittel kombiniert einen selbstreflektierenden Mechanismus durch ?reflektierende Marker“, mit denen verschiedene Aspekte der Textgenerierung bewertet werden, wie Relevanz, Unterstützung und Gesamtnutzung. W?hrend des Erzeugungsprozesses bewertet das Modell, ob die Suche erforderlich ist, und bewertet die Qualit?t des generierten Inhalts, indem Sie sich in verschiedenen Phasen kritisieren.

Hier sind leicht verst?ndliche Diagramme:

• Traditionelles Rag holt zun?chst eine feste Anzahl von Dokumenten ab, w?hrend die Selbstschnitte eine dynamische Suche basierend auf dem generierten Inhalt durchführt.
• Self-Rag bewertet mehrere erzeugte Fragmente, kritisiert ihre Qualit?t und kombiniert selektiv die genauesten Informationen.
• Der iterative Prozess der Selbstw?sche kann die Erzeugung allm?hlich verbessern und die Genauigkeit und Korrelation der Ausgabe verbessern.

Kurz gesagt, die Selbstklasse fügt eine zus?tzliche Schicht Selbstreflexion und Verbesserung hinzu, was zu zuverl?ssigeren und pr?ziseren Antworten führt.

2. Werkzeugnutzungsmodus

Die Werkzeugnutzungsmuster erweitern ihre F?higkeiten erheblich, indem es LLM erm?glicht, mit externen Werkzeugen und Ressourcen zu interagieren, wodurch ihre F?higkeiten zur Probleml?sung verbessert werden. KI, die diesem Muster folgt, beruht nicht nur auf internes Computer oder Wissen, sondern kann auf Datenbanken zugreifen, das Netzwerk durchsuchen und sogar komplexe Funktionen über Programmiersprachen wie Python ausführen.

Beispielsweise kann das LLM aufgefordert werden, Daten aus dem Netzwerk abzurufen, Daten zu analysieren und in seine Ausgabe für eine bestimmte Abfrage in die Ausgabe zu integrieren. Alternativ k?nnen Aufgaben zugewiesen werden, um Statistiken zu berechnen, Bilder zu generieren oder Tabellenkalkulationen zu betreiben - diese Operationen über die einfache Textgenerierung hinaus. Durch die Kombination der Verwendung von Tools hat sich LLM von einer statischen Wissensbasis zu einem dynamischen Proxy entwickelt, der mit externen Systemen interagieren kann, um seine Ziele zu erreichen.

Dieses Modell ist leistungsstark, weil es KI-Systemen erm?glicht, komplexere und vielf?ltige Aufgaben zu erledigen, und internes Wissen allein reicht nicht aus, um sein Nutzen auf reale Anwendungen auszudehnen.

3. Planungsmodus

Das Planungsmodell erm?glicht es LLM, gro?e und komplexe Aufgaben in kleinere, überschaubare Komponenten zu zerlegen. Durch die Planung k?nnen Agenten auf Anfragen reagieren und strategisch die Ma?nahmen erstellen, die erforderlich sind, um ihre Ziele zu erreichen.

LLM verwendet den Planungsmodus linear und vorübergehend mit Problemen, erstellt jedoch stattdessen eine Subtask -Roadmap, um den effizientesten Pfad zu bestimmen, um die Aufgabe abzuschlie?en. Zum Beispiel skodiert LLM beim Codieren zun?chst die Gesamtstruktur und implementiert dann die verschiedenen Funktionen. Dies vermeidet verwirrend oder verdreht und wird die Logik und l?sst KI auf seine Hauptziele konzentrieren.

React (Inferenz und Handlung) und React (Inferenz mit offener Ontologie) erweitern diesen Ansatz weiter durch Integration von Entscheidungsfindung und kontextbezogenem Argument in den Planungsprozess. React erm?glicht es LLM, zwischen Argumentation (Denkprobleme) und Aktionen (auszuführen bestimmte Aufgaben) dynamisch wechseln und anpassungsf?higere und flexiblere Planung erm?glicht. Durch die Kombination dieser beiden Schritte kann LLM seinen Ansatz iterativ verbessern und unerwartete Herausforderungen l?sen.

REWOO hingegen verbessert die Planungsmuster, indem sie Open-World Ontology verwendet, um die Argumentation zu leiten. Dies bedeutet, dass LLM eine breitere Palette von Situationsinformationen und -wissen aus verschiedenen Bereichen kombinieren kann, um intelligentere Entscheidungen zu treffen. Mit REWOO kann KI Pl?ne in Echtzeit anpassen, um neu erfasste Informationen oder ?ndern sich zu ?ndern, um einen st?rkeren und umfassenden Ansatz zur Probleml?sung zu gew?hrleisten.

Insgesamt erm?glichen der Planungsmodus, React und REWOO LLM, komplexe Aufgaben auf strukturierte, aber sehr anpassungsf?hige Weise zu erledigen, um eine effiziente und zielorientierte Ausführung zu erm?glichen.

Das Generieren eines strukturierten Planes (oder "Benutzeranforderung Zusammenfassung") stellt au?erdem sicher, dass die KI alle Schritte verfolgt und keine gr??ere Aufgabenpalette ignoriert. Dieser Ansatz gew?hrleistet eine h?here Qualit?t und Konsistenz der Ergebnisse, insbesondere bei komplexen Problemen von Problemen oder mehrstufigen Projekten.

4. Multi-Agility-Modus

Das Multi-Agent-Modell basiert auf dem Konzept der Delegation, ?hnlich wie das Projektmanagement in menschlichen Teams. Dieses Muster beinhaltet die Zuordnung verschiedener Wirkstoffe (LLM -Instanzen mit bestimmten Rollen oder Funktionen) verschiedenen Unteraufgaben. Diese Agenten k?nnen ihre zugewiesenen Aufgaben unabh?ngig übernehmen, gleichzeitig kommunizieren und zusammenarbeiten, um einheitliche Ergebnisse zu erzielen.

Es gibt verschiedene Arten von Multi-Agent-Modus:

1. Kollaborative Agent : Mehrere Agenten arbeiten zusammen, um verschiedene Teile einer Aufgabe zu bew?ltigen, Fortschritte zu teilen und auf ein einheitliches Ergebnis zu arbeiten. Jeder Agent kann sich auf ein anderes Feld spezialisieren.
2. Aufsichtsbeh?rde : Ein zentraler Aufsichtsbeh?rde verwaltet andere Agenten, koordiniert seine Aktivit?ten und validiert die Ergebnisse, um die Qualit?t zu gew?hrleisten.
3. Hierarchisches Team : Ein strukturiertes System, in dem hochrangige Agenten Low-Level-Agenten überwachen und Entscheidungen auf allen Ebenen ausgestellt werden, um komplexe Aufgaben zu erledigen.

Weitere Informationen zu diesem Inhalt finden Sie unter: Multi-Agent-Zusammenarbeit.

In einem Szenario, in dem Textanalyse und numerische Berechnungen erforderlich sind, k?nnen zwei unabh?ngige Agenten jede Aufgabe übernehmen und ihre Ergebnisse zu einer umfassenden L?sung teilen. Ein Agent kann sich darauf konzentrieren, den Kontext zu verstehen, w?hrend ein anderer die Daten behandelt und zusammen eine umfassende Antwort liefern. Dieses Muster ist besonders effektiv für den Umgang mit gro?en oder komplexen Problemen, die mehrere F?higkeiten erfordern.

Kurz gesagt, das Mehrfachmodell spiegelt wider, wie Menschen in verschiedenen speziellen Bereichen zusammenarbeiten und sicherstellen, dass sich jeder Agent auf seine St?rken konzentriert und gleichzeitig zu gr??eren koordinierten Bemühungen beitr?gt.

Durch die Beherrschung dieser vier unabh?ngigen Designmodelle k?nnen Entwickler und Benutzer das volle Potenzial von KI -Systemen freischalten. Das Reflexionsmodell verbessert die Genauigkeit und Qualit?t durch Selbstbewertung. Das Tool verwendet das Modell, um eine dynamische Interaktion mit realer Welt zu erreichen. Das Planungsmodell bietet eine Roadmap für die L?sung komplexer Aufgaben, und die Zusammenarbeit mit mehreren Agenten stellt sicher, dass mehrere Agenten effektiv und zusammenarbeiten. Insgesamt bilden diese Modelle den Grundstein für den Aufbau intelligentere, autonomere KI-Systeme, die die Herausforderungen der realen Welt erfüllen k?nnen.

abschlie?end

Das autonome Designmodell betont das Transformationspotential autonomer Workflows bei der Herstellung von KI -Modellen (insbesondere Gro?sprachenmodellen (LLMs) ) autonomer und effizienter. Es wird erkl?rt, dass Modelle wie GPT-3,5 und GPT-4 bei Aufgaben mit der Stichprobe gut abschneiden, ihre Genauigkeit und Effektivit?t bei einem iterativen autonomen Workflow erheblich verbessert werden. Dieser Ansatz erm?glicht es dem Modell, Aufgaben zu zerlegen, zu bewerten, externe Instrumente zu nutzen, strategische Planung durchzuführen und mit anderen Agenten zusammenzuarbeiten, um seine F?higkeiten zur Probleml?sung zu verbessern.

In diesem Artikel werden vier wichtige Entwurfsmuster eingeführt - Reflexion, Werkzeuggebrauch, Planung und Multiagent -, die die Grundlage für diese autonomen Workflows bilden. Diese Muster brechen die Grenzen der KI durch und erm?glichen es KI -Systemen, unabh?ngiger und intelligenter zu laufen, genau wie Menschen mit komplexen Aufgaben. Dies deutet darauf hin, dass zukünftige KI -Fortschritte davon abh?ngen werden, die Gr??e des Modells zu erh?hen und anpassungsf?higere und strategischere Workflows zu entwickeln.

In dieser Reihe von Artikeln zu autonomen Entwurfsmustern werden wir jedes Designmuster im Detail untersuchen: Reflexion, Werkzeuggebrauch, Planung und Multiagen, wodurch sie enthüllen, wie sie KI -Systeme autonomer und kompetenter machen.

Bleiben Sie dran!!!

Erkunden Sie das autonome AI -Pionierprogramm, um Ihr Verst?ndnis von Proxy AI zu vertiefen und das volle Potenzial auszuschalten. Besuchen Sie uns auf dem Weg, innovative Erkenntnisse und Anwendungen zu entdecken!

H?ufig gestellte Fragen

Q1. Was ist das unabh?ngige Designmodell in KI? **** A: Das autonome Designmodell ist eine Strategie, mit der KI -Systeme (insbesondere Gro?sprachmodelle (LLMs)) autonomer und effektiver hergestellt werden. Diese Muster erm?glichen es der KI, Aufgaben auszuführen, Entscheidungen zu treffen und mit anderen Systemen unabh?ngiger zu interagieren, indem man menschliche Probleml?sungs- und Argumentationsprozesse simuliert. Zu den wichtigsten Modellen geh?ren Reflexion, Werkzeuggebrauch, Planung und Zusammenarbeit mit mehreren Agenten.

Q2. Wie verbessert der Reflexionsmodus die KI -Leistung? **** A: Das Reflexionsmodell verbessert die F?higkeit von KI, seine Leistung selbst zu bewerten und zu verbessern. Durch die wiederholte überprüfung Ihrer eigenen Arbeiten identifiziert KI Fehler, Lücken oder Bereiche, die verbessert werden müssen, und korrigieren sie in einer iterativen Schleife. Dieses Muster hat sich bei Aufgaben, die Pr?zision erfordern, wie z. B. Codegenerierung oder Erstellung von Inhalten, als besonders nützlich erwiesen, da es dazu beitr?gt, genauere und zuverl?ssigere Ergebnisse zu erzielen.

Q3. Was sind die Vorteile der Verwendung von Werkzeugnutzungsmustern in KI -Workflows? **** A: Die Werkzeugnutzungsmuster erweitern die Funktionen der KI, indem KI mit externen Werkzeugen und Ressourcen interagieren kann. AI stützt sich nicht ausschlie?lich auf internes Wissen, sondern kann auf Datenbanken zugreifen, Websuche ausführen oder Funktionen mit Programmiersprachen wie Python ausführen. Dies macht KI vielseitiger und in der Lage, komplexe Aufgaben zu erledigen, die Informationen oder Computer über die vorhandenen Daten hinaus erfordern.

Q4. Wie hilft der Planungsmodus LLM mit komplexen Aufgaben? **** A: Der Planungsmodus erm?glicht es KI -Modellen, komplexe Aufgaben in kleinere, überschaubare Schritte aufzubrechen und eine Roadmap für die Probleml?sung zu erstellen. Dieser Ansatz hilft, sich auf die Hauptziele zu konzentrieren und sorgt für eine effiziente Ausführung von Aufgaben. Varianten wie React (Inferenz und Aktion) und Re -woo (Inferenz mit offener Ontologie) kombinieren Entscheidungsfindung und adaptive Strategien, die es KI erm?glichen, ihren Ansatz dynamisch auf der Grundlage der Entstehung neuer Informationen zu verbessern.

Das obige ist der detaillierte Inhalt vonTop 4 agierische KI -Entwurfsmuster. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!