Fondée en avril 2024 par Marvin Purtorab et Andy Toulis, deux ingénieurs en machine learning rencontrés chez Shopify, la plateforme e-commerce où ils travaillaient sur des systèmes de recommandation et des assistants IA, Convergence rassemble une équipe d’anciens élèves de Google DeepMind, Meta, OpenAI et PolyAI. .
Tâches banales
En associant les utilisateurs à une IA personnalisée, Proxy peut apprendre des tâches et des flux de travail ; ce qui libère les travailleurs de leur charge administrative. Pour mettre les choses en perspective, 62 % de la journée de travail d’un employé moyen est gaspillée dans des tâches répétitives et banales, pour lesquelles Proxy est conçu pour exceller. Au fil du temps, l’agent s’occupera des tâches banales, vous permettant ainsi de vous concentrer sur des tâches plus importantes. “Si vous regardez le paysage actuel, vous verrez qu’un grand nombre d’entreprises construisent ce type d’agents en tant qu’agents verticaux : un agent commercial, un agent des ressources humaines…» note Marvin Purtorab. “Notre vision est d’adopter une approche différente. Nous essayons de jeter les bases de la première classe générale d’agents qui peuvent, en fonction de l’utilisateur, se multiplier en n’importe quel type d’agent dont vous avez besoin et faire pour vous les choses que vous ne voulez pas faire. personnellement.“
“Il y a urgence à agir !” : Le MIC et Microsoft veulent former 300.000 Wallons à l’IA générative d’ici trois ans
Contrairement à la plupart des agents conçus pour des flux de travail spécifiques, le différenciateur de Proxy réside donc dans sa capacité à travailler sur une gamme de tâches et de domaines, en acquérant des compétences comme le ferait un humain grâce à la mémoire. un apprentissage continu et à long terme. Ceci est rendu possible par une nouvelle classe de modèles appelée Grands modèles de méta-apprentissage (LMLM), formés pour acquérir la capacité d’apprendre par eux-mêmes, un domaine en pleine croissance de l’intelligence artificielle qui vise à créer des modèles capables de s’adapter rapidement à de nouvelles tâches avec un minimum de données. Ils sont formés spécifiquement sur un ensemble diversifié de tâches pour apprendre à gérer (c’est-à-dire mémoriser, stocker et supprimer) des éléments dans et depuis leur mémoire ; ce qui permet d’extraire des stratégies et des modèles d’apprentissage communs.
