Le 9 février 2025, Divyesh Vitthal Jawkhede a présenté un papier novateur introduisant le concept de MaAS (Multi-agent Architecture Search), un cadre d’apprentissage automatique qui optimise les systèmes multi-agents. Les modèles de langage de grande taille (LLMs) servent de fondement à ces systèmes, permettant à plusieurs agents d’intelligence artificielle de collaborer, communiquer et résoudre des problèmes de manière similaire à la dynamique de travail en équipe humaine.
Cependant, l’efficacité des systèmes multi-agents est souvent compromise par des conceptions fixes, entraînant une consommation excessive de ressources, même pour des tâches simples. Cette rigidité engendre des défis en termes de précision, de rapidité et de coût lors de la gestion de tâches diversifiées.
Actuellement, les systèmes multi-agents s’appuient sur des méthodes telles que CAMEL, AutoGen, et MetaGPT, qui se concentrent sur l’optimisation de tâches spécifiques, mais peinent à s’adapter aux exigences variées des utilisateurs. Ces méthodes manquent de flexibilité et de capacité d’ajustement dynamique, ce qui les rend coûteuses en termes de calcul et réduit leurs performances globales.
Pour remédier à ces limitations, les chercheurs ont développé MaAS, qui utilise un superréseau agentique probabiliste pour générer des architectures multi-agents dépendantes des requêtes. Contrairement à un système fixe, MaAS échantillonne dynamiquement des systèmes multi-agents personnalisés pour chaque requête, optimisant ainsi le rapport entre performance et coût computationnel. Le cadre définit un espace de recherche basé sur des opérateurs agentiques, intégrant des flux de travail reposant sur des LLMs.
Les évaluations de MaAS sur six benchmarks publics, couvrant des domaines tels que le raisonnement mathématique et la génération de code, ont démontré des performances supérieures à celles de 14 méthodes de référence, avec un score moyen de 83,59 % et une amélioration significative de 18,38 % pour les tâches de niveau 1 de GAIA. L’analyse des coûts a mis en lumière l’efficacité des ressources de MaAS, nécessitant moins de jetons d’entraînement et affichant des délais d’exécution réduits.
En résumé, MaAS corrige les problèmes des systèmes multi-agents traditionnels grâce à un super réseau agentique qui s’ajuste aux requêtes spécifiques. Ce développement ouvre la voie à une automatisation flexible et à une auto-organisation accrue. À l’avenir, MaAS pourrait évoluer vers un cadre encore plus étendu, intégrant des stratégies d’échantillonnage améliorées et des contraintes du monde réel pour maximiser l’intelligence collective.