• Các nhà nghiên cứu từ IIT Dharwad và TCS Research đề xuất framework Agentic-RAG cho phân tích chuỗi thời gian, sử dụng kiến trúc đa tác nhân phân cấp.
• Framework này bao gồm một tác nhân chủ điều phối các tác nhân phụ chuyên biệt, mỗi tác nhân được tinh chỉnh với mô hình ngôn ngữ quy mô nhỏ (SLM) cho các tác vụ cụ thể như dự báo hoặc phát hiện bất thường.
• Các tác nhân phụ truy xuất các gợi ý liên quan từ kho tri thức chuyên biệt (prompt pools) lưu trữ các mẫu lịch sử, giúp dự đoán tốt hơn trên dữ liệu mới.
• Cách tiếp cận mô-đun này nâng cao tính linh hoạt và độ chính xác, vượt trội so với các phương pháp truyền thống trong nhiều tác vụ chuỗi thời gian.
• Framework sử dụng cơ chế gợi ý động để truy xuất các gợi ý liên quan từ cơ sở tri thức nội bộ, cho phép mô hình thích ứng với các xu hướng khác nhau trong dữ liệu chuỗi thời gian phức tạp.
• Nó kết hợp cơ chế chú ý hai tầng để xử lý các phụ thuộc dài hạn trong dữ liệu chuỗi thời gian mà không cần tinh chỉnh.
• Frameworksử dụng kỹ thuật tinh chỉnh theo hướng dẫn và tinh chỉnh hiệu quả tham số (PEFT) để cải thiện hiệu suất SLM trên các tác vụ chuỗi thời gian cụ thể.
• Nó cải thiện độ dài ngữ cảnh của SLM lên 32K token, cho phép nắm bắt các phụ thuộc không gian-thời gian phức tạp.
• Framework sử dụng Tối ưu hóa Ưu tiên Trực tiếp (DPO) để tinh chỉnh SLM, đảm bảo các mô hình ưu tiên kết quả chính xác hơn cho từng tác vụ cụ thể.
• Agentic-RAG được đánh giá trên các tác vụ dự báo, phân loại, phát hiện bất thường và nội suy, sử dụng các biến thể như SelfExtend-Gemma-2B-instruct, Gemma-7B-instruct và Llama 3-8B-instruct.
• Các bộ dữ liệu thực tế về giao thông (PeMS, METR-LA) và bộ dữ liệu phát hiện bất thường đa biến (SWaT, NASA telemetry) được sử dụng để đánh giá.
• Các chỉ số đánh giá bao gồm MAE, RMSE, độ chính xác, độ chính xác và điểm F1.
• Framework này liên tục vượt trội so với các phương pháp cơ sở trong các tác vụ dự báo, đặc biệt là trên các bộ dữ liệu METR-LA và PEMS-BAY, thể hiện độ chính xác dự đoán và độ mạnh mẽ vượt trội trên tất cả các chỉ số.
📌 Agentic-RAG là framework đa tác nhân phân cấp mới cho phân tích chuỗi thời gian, sử dụng SLM và prompt pools để nâng cao hiệu suất. Nó vượt trội so với các phương pháp truyền thống trong nhiều tác vụ như dự báo và phát hiện bất thường, đạt hiệu suất tốt nhất trên các bộ dữ liệu chuẩn chính.
https://www.marktechpost.com/2024/09/01/agentic-rag-a-hierarchical-multi-agent-framework-for-enhanced-time-series-analysis/