AgentTrove to nowe narzędzie, które udostępnia stream 1,7 miliona śladów agentów - zapisów tego, co robią autonomiczne systemy AI w trakcie своей pracy. Projekt zwraca uwagę na praktyczną stronę trenowania inteligentnych agentów - do tej pory brakowało dostępu do naprawdę dużych zbiorów danych pochodzących z rzeczywistych interakcji systemów autonomicznych. Teraz ta luka zaczyna się zapełniać, a wśród badaczy i developerów AI robi się zamieszanie, bo wreszcie można pracować na autentycznych danych zamiast na wymyślonych przykładach.
Sedno sprawy jest takie: aby nauczyć model AI podejmować złożone decyzje i pracować w złożonych środowiskach, potrzebujesz dobrego materiału treningowego. AgentTrove rozwiązuje to przez ścieżkę supervised fine-tuning - praktycznie pokazujesz modelowi setki tysięcy rzeczywistych przykładów tego, jak powinien się zachowywać agent, i na tej podstawie model się uczy. Wszystko można zrobić w Pythonie, co znacznie obniża barierę wejścia dla badaczy.
Dane z AgentTrove pochodzą z rzeczywistych scenariuszy działania agentów, a nie z symulacji czy sztucznie przygotowanych testów. To zmienia grę - modele trenowane na takich materiałach będą radziły sobie znacznie lepiej w praktyce niż te uczone na syntetycznych zbiorach. To konkretnie chodzi o to, aby systemy autonomiczne były lepsze w rozwiązywaniu rzeczywistych problemów, nie zaś tylko w teoretycznych zadaniach testowych.