DoorDash利用多智能体大语言模型来处理这60,000个功能标志相关的数据。
DoorDash构建了一个多智能体大型语言模型系统，用于自动化清理超过60,000个特征标志以及分布在623个代码仓库中的这些标志。该工作流程结合了实时实验数据、工程师的审核流程、独立的Git开发环境、并行运行的智能体以及自动验证机制。在针对50个特征标志进行的测试中，有45个特征标志在平均13.8分钟的时间内生成了可使用的拉取请求，每次清理操作的成本为4.79美元。 作者：Leela Kumili
DoorDash构建了一个多智能体大型语言模型系统，用于自动化清理超过60,000个特征标志以及分布在623个代码仓库中的这些标志。该工作流程结合了实时实验数据、工程师的审核流程、独立的Git开发环境、并行运行的智能体以及自动验证机制。在针对50个特征标志进行的测试中，有45个特征标志在平均13.8分钟的时间内生成了可使用的拉取请求，每次清理操作的成本为4.79美元。
作者：Leela Kumili相关文章
DoorDash利用人工智能技术，将商品重新订购的延迟时间从16秒缩短到了2秒。
通过使用批量大语言模型进行预计算，并通过确定性验证来预测用户重复购买的需求，DoorDash将商品重新订购的延迟时间从16秒减少到了2秒。实时更新的的商品目录确保了用户选择的商品信息始终是最新的，而可编辑的购物界面则避免了不必要的模型调用。该公司表示，用户的购物清单查看次数增加了一倍，订单生成效率也提高了大约34%。 作者：Leela Kumili
阅读全文
报告主题：现实世界中的自适应推荐系统：推理机制、评估方法与系统设计
Mallika Rao指出，自适应推荐系统的真正复杂性并不在于其模型架构本身。她阐述了实时反馈机制、数据检索的新鲜度保障、多阶段协调流程以及端到端的延迟控制措施，这些因素如何使系统能够在延迟、成本和可观测性等现实操作限制条件下，在生产环境中持续学习并不断发展。 作者：Mallika Rao
阅读全文
谷歌将开源环境质量监测工具AQuA，用于诊断人工智能应用中的故障问题
谷歌已将AQuA这一开源工具公开发布。该工具可用于分析实际应用环境中的人工智能代理系统的运行情况，识别反复出现的故障模式，并通过对比部署前的源代码版本来探究这些故障的根本原因。在进行了32次实验后，开发人员发现：在调整提示信息之后，乘客选择座位时绕过系统设定的规则的情况从15次减少到了2次；而乘客在填写饮食偏好信息时出现遗漏的情况也从7次降为零。 作者：Leela Kumili
阅读全文
JioHotstar为AI编程代理建立了相应的基准测试知识库
JioHotstar评估了六种用于人工智能编程代理的代码检索方法，这些方法分别使用了SWE、CodeScale Bench以及内部开发的问答系统。在处理具体任务时，结构化搜索表现良好；而语义检索则在应对模糊或含糊不清的需求时发挥了重要作用。这些研究结果揭示了在准确性、代码片段的使用效率以及工具设计方面存在的权衡关系，同时也强调了根据不同的任务类型来选择合适的代码检索工具的必要性。 作者：Leela Kumili
阅读全文