От языка к данным: новый подход к эпидемиологии
Команда исследователей во главе с Николо Гози (Nicolò Gozzi), Чиро Каттуто и Алессандро Веспиньяни представила Epydemix Agent Framework. Это надстройка над открытой библиотекой Python Epydemix, предназначенной для стохастического компартментного моделирования. Главная цель проекта — устранить барьер между научным ПО и пользователями, не владеющими программированием, позволяя AI-агенту брать на себя весь цикл: от описания сценария на естественном языке до интерпретации результатов.
Архитектура и ключевые возможности
Фреймворк решает проблему надежности LLM в научных задачах через четыре встроенные функции, которые агент использует для взаимодействия с ядром моделирования:
- Discovery (Обнаружение): Агент автоматически находит доступные модели и параметры внутри библиотеки.
- Preventive Validation (Превентивная валидация): Проверка декларативного описания сценария на корректность до начала вычислений.
- Execution (Исполнение): Запуск проверенного кода библиотеки, что исключает генерацию багов самим агентом.
- Inspectability (Проверяемость): Возможность детального анализа результатов.
Каждый шаг процесса сохраняет входные файлы и формирует отдельный пакет результатов, обеспечивая полную аудируемость и воспроизводимость исследований.
Эмпирическая оценка: эффективность против стоимости
Авторы провели строгое тестирование фреймворка, сравнив работу AI-агента с прямым использованием Python-интерфейса. Тестирование включало 50 сессий агента и 5 различных задач моделирования. В качестве кейса использовалось сравнение стратегий вакцинации против нового респираторного вируса.
Результаты показали, что использование Epydemix позволяет существенно оптимизировать ресурсы LLM, хотя и требует компромисса в виде дополнительных вычислений для обеспечения воспроизводимости.
| Метрика | Результат сравнения (Agent vs Direct Python) | Примечание |
|---|---|---|
| Количество ходов (Turns) | Снижено | Агент эффективнее управляет контекстом |
| Объем выходных токенов | Снижено | Меньше «воды» в ответах модели |
| Стоимость (Cost) | Снижено | Экономия на API-запросах LLM |
| Воспроизводимость | Требует ресурсов | Фреймворк жертвует частью эффективности ради гарантии точности результатов |
Значение для науки и индустрии
Работа демонстрирует переход от простого «чата с кодом» к структурированному научному ассистенту. Epydemix показывает, что интеграция LLM с проверенными математическими библиотеками (как Epydemix) позволяет создавать надежные инструменты для быстрого анализа кризисных сценариев. Это критически важно для эпидемиологов и политиков, которым нужны быстрые, но статистически обоснованные прогнозы без необходимости писать сложный код вручную.
Источник: arXiv cs.AI ↗