Resumen: Los avances recientes en AI y ML han transformado la ciencia de datos, pero el aumento de la complejidad y los requisitos de experiencia continúan obstaculizando el progreso. Si bien las plataformas de crowdsourcing alivian algunos desafíos, las tareas de ciencia de datos de alto nivel siguen siendo intensivas en mano de obra e iterativa. Para superar estas limitaciones, presentamos el agente R&D, un marco de doble agente para la exploración iterativa. El agente del investigador utiliza la retroalimentación de rendimiento para generar ideas, mientras que el agente del desarrollador refina el código en función de la retroalimentación de errores. Al habilitar múltiples trazas de exploración paralela que se fusionan y mejoran entre sí, R&D Aguent reduce la brecha entre las soluciones automatizadas y el rendimiento a nivel de experto. Evaluado en MLE-Bench, R&D AGent emerge como el agente de ingeniería de aprendizaje automático de mejor rendimiento, lo que demuestra su potencial para acelerar la innovación y mejorar la precisión entre diversas aplicaciones de ciencia de datos. Tenemos el agente R&D de código abierto en GitHub: esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 21 de mayo de 2025.
Ver Fuente Original
