Key Insights for Teaching AI Agents to Remember
根据对 Autogen 的“可教代理”的实验，提出构建强大记忆能力的建议记忆无疑正在成为 Agentic AI 的一个重要方面。随着 AI 代理用例的复杂性不断增加，这些代理从过去的经验中学习、利用存储的业务特定知识以及根据累积信息适应不断变化的场景的需求也在不断增加。在我之前的文章“AI 中的记忆：主要优势和投资考虑因素”中，我探讨了记忆对 AI 至关重要的原因，讨论了其在回忆、推理和持续学习中的作用。然而，这篇文章将直接深入研究记忆的实现，通过流行的代理框架 Autogen 中的“可教性”功能来检查其影响。注意：虽然这篇文章本质上是技术性的，但它为希望评估记忆在 Agentic AI 系统
Can AI Make Lesson Planning with eLearning Authoring Tools Effortless?
即使使用数字教育出版平台，制定 K-12 课程计划也绝非易事。在线教育正在迅速成为多模式教育。随着远程、混合和持续学习模式深入教育领域，以他们喜欢的形式满足不同学习者的需求是一项普遍的挑战。此外，电子学习模式通过独特的[...阅读更多...
Boosting Business Learning with AI and Data-Driven Insights
随着业务动态的快速发展和技术重新定义行业标准，持续学习已成为成功的关键。拥抱 AI 和数据驱动的洞察力有助于优化学习过程、推动创新并取得持续成功。了解更多。文章《利用人工智能和数据驱动的洞察力促进商业学习》首先出现在 Fusemachines 上。
Can AI Replace Humans? How L&D Prepares Your Workforce For The Future
学习与发展 (L&D) 中的人工智能提供了个性化、效率和成本效益，但也带来了诸如工作流失和隐私问题等挑战。L&D 通过识别技能差距、设计量身定制的计划和促进持续学习来加强员工培训。这篇文章首次发表在 eLearning Industry 上。
Elevating Customer Education: Resolving Challenges With The LMS
从新客户入职培训和提供持续的产品培训到解决支持查询和培养长期关系，扩展的企业 LMS 可作为在整个客户生命周期中提供持续学习体验的集中枢纽。本文首次发表于 eLearning Industry。
Smart Factories: Concepts and Features
探索包括人工智能 (AI) 在内的新技术如何彻底改变制造流程。智能工厂是一种信息物理系统，它利用先进技术来分析数据、实现流程自动化并持续学习。它是工业 4.0 转型的一部分，结合了数字化和智能自动化。以下是一些主要功能：互联网络：智能工厂集成了机器、通信机制和计算能力。它们形成了一个互联的生态系统，数据在其中无缝流动。先进技术：智能工厂使用人工智能、机器学习和机器人技术来优化运营。这些技术可实现实时决策和适应性。数据驱动的洞察：传感器从设备、生产线和供应链收集数据。人工智能处理这些数据以提高效率、质量和预测性维护。智能工厂利用先进技术来分析数据、实现流程自动化并持续学习。工厂车间的自动化、机器
Benefits of Type Rating Courses for Professionals
在竞争激烈的航空世界中，持续学习和技能发展对于旨在提升职业生涯的飞行员至关重要。其中一个途径是投资机型等级课程，这是专门的培训计划，使飞行员能够驾驶特定类型的飞机。联系 Alliance Aviation 了解有关机型等级的好处的更多信息，以及……《机型等级课程对专业人士的好处》一文首先出现在 Alliance Training 上。
Dependability, respect and hard work embodied in Tobyhanna's latest Supervisor of the Quarter
自从加入 Team Tobyhanna 以来，Paula Mesaris 曾担任过多个职位，并尽可能寻求持续学习的机会。由于她...
IEEE Transactions on Artificial Intelligence, Volume 5, Issue 6, June 2024
1) 特邀编辑：非平稳数据的 AutoML作者：Ran Cheng、Hugo Jair Escalante、Wei-Wei Tu、Jan N. Van Rijn、Shuo Wang、Yun Yang页数：2456 - 24572) 用于异构遥感图像中无监督变化检测的自引导自动编码器作者：Jiao Shi、Tiancheng Wu、Alex Kai Qin、Yu Lei、Gwanggil Jeon页数：2458 - 24713) 用于实时追踪水污染的学习驱动动态多模态优化算法作者：Xuesong Yan、Xing Guo、Jin Chen、Chengyu Hu、Wenyin Gong、Liang
Stanford AI Lab Papers and Talks at ICLR 2022
2022 年国际学习表征会议 (ICLR) 将于 4 月 25 日至 4 月 29 日以线上方式举办。我们很高兴与大家分享 SAIL 的所有成果，您可以在下面找到论文、视频和博客的链接。欢迎直接联系作者，了解更多有关斯坦福大学的工作！已接受论文列表自主强化学习：形式主义和基准测试作者：Archit Sharma*、Kelvin Xu*、Nikhil Sardana、Abhishek Gupta、Karol Hausman、Sergey Levine、Chelsea Finn联系方式：architsh@stanford.edu链接：论文 |网站关键词：强化学习、持续学习、免重置强化学习MetaS
Stanford AI Lab Papers and Talks at ICLR 2022
2022 年国际学习表征会议 (ICLR) 将于 4 月 25 日至 4 月 29 日以线上方式举办。我们很高兴与大家分享 SAIL 的所有成果，您可以在下面找到论文、视频和博客的链接。欢迎直接联系作者，了解更多有关斯坦福大学的工作！已接受论文列表自主强化学习：形式主义和基准测试作者：Archit Sharma*、Kelvin Xu*、Nikhil Sardana、Abhishek Gupta、Karol Hausman、Sergey Levine、Chelsea Finn联系方式：architsh@stanford.edu链接：论文 |网站关键词：强化学习、持续学习、免重置强化学习MetaS
AFLCMC Focus Week returns July 26-30
提供数十门课程，包括职业和职能领域特定培训、辅导、研讨会和个人发展课程。Focus Week 还提供了获得持续学习积分的机会。
AFLCMC Focus Week returns July 26-30
提供数十种课程，包括职业和职能领域特定的培训、辅导、研讨会和个人发展课程。焦点周还提供了获得持续学习积分的机会。
Can Teacher Professional Development Be Saved?
Sarah Johnson 是 Teaching Lab 的首席执行官，Teaching Lab 是一家领先的非营利性教育工作者专业学习组织。她在本期节目中与 Mike Palmer 一起探讨了为什么专业发展或“PD”在教育工作者中名声不佳，以及 Sarah 和团队如何努力扭转局面。我们讨论了教师在整个职业生涯中持续学习的重要性，尤其是在这个充满挑战的时代。Teaching Lab 如何将“头脑、心灵和习惯”融入其吸引全美教师实践社区的方法中？疫情如何改变了教育工作者的专业学习格局？文化响应型教学实践和公平性如何影响对话？我们回答了所有这些问题，并探索了如何扩大规模，同时思考如何让教师获得他们
Introducing our work on general-purpose LLM Agents
在 GoodAI，我们致力于突破人工智能的界限。我们目前的重点是开发基于大型语言模型 (LLM) 的代理，这些代理的个性超越了简单的对话，而是表现出 LLM 驱动的行为，与人类和其他代理以及他们的虚拟环境进行交互。我们的代理从反馈中学习，存储长期记忆并表达以目标为导向的行为。我们正在 LLM 之上构建一个认知架构，用作推理引擎，并添加长期记忆，这是持续学习的基础。释放大型语言模型代理的潜力自 2021 年以来，我们一直将我们的研究应用于 AI People 的开发，这是我们的内部视频游戏，LLM 代理在其中栩栩如生。在这个开放式沙盒模拟中，代理彼此之间以及与环境之间进行交互，建立关系并表现出情
HALLM: An Agent that Observes and Acts through a Python Terminal
在 GoodAI，我们致力于安全 AGI 的进步。大型语言模型 (LLM) 无疑提供了强大的功能，但它们本身也存在局限性 — 尤其是无法在部署后学习新技能。我们的创新方法正是在这里大放异彩。我们设计的代理不仅可以利用 LLM 的基础功能，还可以对其进行显著扩展。通过我们独特的架构和新颖的方法，我们的代理赋予 LLM 持续学习的能力，使它们能够理解复杂的指令、随着时间的推移进行适应，并在复杂的推理和解决问题的任务中表现出色。HALLM 可以联系用户以询问更多信息，或者如果它认为用户可以帮助它做某事，例如安装 Python 包或重新启动系统。在上面的视频中，HALLM 使用内置函数“input”要
LLM Agent taught to control drones
在上面的视频中，我们演示了我们的一个 LLM 代理学习如何使用 API 来控制无人机四轴飞行器的学习过程。初始阶段需要我们向代理提供详细而全面的说明，说明如何发送 HTTP 请求以及通过 API 可以使用哪些命令。随着视频的进展，代理很快掌握了这些说明，并利用它已有的知识来执行高级而复杂的任务，例如让无人机沿着方形轨迹飞行。这展示了代理的弹性和自适应学习能力 - 代理如何从错误和错误假设中恢复。此版本的持续学习代理代表了我们的第一个原型（体现在 Python 终端中的代理）的重大进步。这个增强的代理可以访问不同形式的工作记忆和长期记忆，使其能够有效地管理几种类型的记忆不一致，例如矛盾或过时的信
Introducing GoodAI LTM Benchmark
作为我们在持续学习领域研究工作的一部分，我们正在开源一个基准，用于测试代理在非常长的对话中执行涉及高级使用记忆的任务的能力。除其他外，我们评估代理在需要动态维护记忆或长期整合信息的任务上的表现。我们正在开源：现行的 GoodAI LTM 基准。我们的 LTM 代理。我们的实验数据和结果。我们表明，信息的可用性是解决这些任务的必要条件，但不是充分条件。在我们的初始基准中，具有 8k 上下文的对话 LTM 代理与具有 128k 个令牌的长上下文 GPT-4-1106 相当。在内存要求高出 10 倍的更大基准测试中，我们的具有 8k 上下文的对话式 LTM 代理的性能比上下文大小为 128,000
