Microsoft Research presenta EvoLib, per LLM che imparano dall’esperienza
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
EvoLib trasforma tentativi passati in conoscenza riutilizzabile durante l'inferenza, senza etichette né aggiornamenti del modello.
Microsoft Research presenta EvoLib: i modelli apprendono durante l’inferenza, senza etichette né feedback esterni, convertendo i propri tentativi in conoscenza riutilizzabile1.
Il cuore della proposta è self-supervised. “Self-supervised during inference” sintetizza il metodo: esecuzioni passate diventano materiale di apprendimento, poi riusato su compiti futuri1. Non serve ground-truth. Non servono aggiornamenti dei pesi. “No model updates required” è un punto operativo, non un dettaglio marketing1.
Non basta memorizzare. Archivi di conversazioni e tracce di ragionamento crescono ma restano frammenti, se non li si distilla e generalizza1. EvoLib interviene qui: trasforma log ed esiti in “skill” e “insight” riutilizzabili, e li fa evolvere nel tempo1. Ciò che funziona viene raffinato e consolidato; ciò che serve meno viene ripesato. Osservazioni locali maturano in conoscenza più generale1.
Il trasferimento tra compiti è un obiettivo esplicito. La pagina lo formula così: dall’esperienza alla conoscenza, con enfasi su ciò che ha “il maggior potenziale di miglioramento delle prestazioni future”1. L’idea è imparare da successi e insuccessi e rendere quelle lezioni disponibili al prossimo incarico, non solo alla prossima conversazione1.
L’adozione guarda alla realtà dei sistemi in produzione. “Built for today’s AI models” significa integrazione nei flussi d’inferenza di modelli accessibili via API, considerati black-box, senza toccare i pesi1. In pratica, si innesta sull’infrastruttura esistente e fa leva sui dati generati dall’uso, riducendo la dipendenza da segnali esterni durante l’operatività1.
La sezione “At a glance” riassume i capisaldi, con termini operativi: apprendimento self-supervised in fase d’inferenza; conversione dei tentativi in skill e insight; evoluzione continua con raffinamento, consolidamento e ripesatura; trasferimento tra task; applicabilità a modelli black-box via API; nessun aggiornamento del modello richiesto1.
Contesto: la memoria negli agenti è tema caldo, ma memoria non equivale a apprendimento. Senza un processo che filtri, pesi e generalizzi, si accumulano dati difficili da usare. EvoLib propone proprio quel processo: meno deposito, più competenza riutilizzabile1.
Cosa cambia nell’operatività quotidiana? Chi gestisce LLM come servizi può far apprendere al sistema dai propri log, durante l’uso, senza pipeline di retraining né label esterne. La pagina non entra in benchmark o implementazioni, ma la direzione è chiara: portare apprendimento esperienziale nel runtime dei modelli di oggi, con vincoli da black-box1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.