EvoLib : Transformer l'expérience en connaissances évolutives

EvoLib est un framework de Microsoft Research qui permet aux systèmes d'intelligence artificielle d'apprendre de l'expérience pendant l'inférence sans nécessiter d'étiquettes de vérité terrain ni de mises à jour du modèle. Contrairement aux systèmes de mémoire traditionnels qui stockent statiquement des expériences brutes, EvoLib transforme les tentatives passées en compétences réutilisables et en réflexions. Ces unités de connaissance sont continuellement consolidées avec des connaissances similaires existantes pour devenir plus générales, et chaque unité est pondérée en fonction de son impact à long terme sur les tâches futures. Le framework a été testé sur des tâches de raisonnement mathématique, d'efficacité de code et de prise de décision, surpassant systématiquement les meilleures approches de mémoire basées sur la récupération avec une utilisation plus efficace des jetons. EvoLib montre également des performances robustes face à des ordres de tâches aléatoires, ce qui indique son applicabilité pratique dans des scénarios réels où les tâches arrivent de manière arbitraire. Le système obtient des gains de performance plus élevés avec l'augmentation du temps de calcul d'inférence par rapport à l'augmentation isolée du calcul et à d'autres méthodes basées sur la mémoire. Le code et les expériences sont disponibles publiquement sur GitHub.