👩‍⚕️ Google представила ИИ-фреймворк для поиска биомаркеров по данным носимых устройств

Исследователи Google Research представили Biomarker Discovery Framework - мультиагентную ИИ-систему для приоритизации кандидатных биомаркеров на основе данных с носимых устройств. Проблема в том, что обычные LLM-агенты «ломаются» на физиологических временных рядах: они оптимизируют предсказательную точность, игнорируя статистическую валидность, что ведёт к ложным корреляциям и утечкам данных.

Новый фреймворк структурирует процесс как итеративный исследовательский цикл под контролем человека. Оркестратор разбивает задачу на план и направляет специализированных агентов через шесть фаз: анализ данных, проверка гипотез по литературе, цикл статистического анализа, состязательная валидация (11 проверок на утечки, переобучение и физиологическую правдоподобность), глубокая оценка механизмов и генерация отчёта.

Систему протестировали на трёх когортах (9 279 наблюдений) в областях психического здоровья и метаболических заболеваний. Она выявила 41 кандидатный цифровой биомаркер для ментального здоровья и 25 для метаболических исходов. Например, вариабельность продолжительности сна коррелировала с тяжестью депрессии (ρ = 0.252), а индекс сердечно-сосудистой выносливости (шаги, делённые на ЧСС в покое) — с инсулинорезистентностью. Результаты проверялись на стабильность, утечки и альтернативные объяснения перед выдачей гипотезы эксперту.

Практическая ценность - ускорение поиска клинически значимых сигналов в зашумлённых данных без потери статистической строгости.

#Ai #Framework #Healthcare #BioMarker #Science #Research

❓ AWS: как выбрать уровень кастомизации генеративного ИИ — от промптов до своих моделей

AWS ML Blog опубликовал практический фреймворк из 8 шагов, который помогает выбрать подход к настройке генеративных моделей без лишних затрат. Проблема, которую он решает, знакома многим командам: одни сразу бросаются в fine-tuning, хотя хватило бы хорошо структурированного промпта, другие неделями крутят промпты там, где нужны доменные данные.

Спектр делится на три категории. USE (шаги 1–2): модель не трогаем — работаем с системными инструкциями, few-shot примерами и chain-of-thought, а качество промптов измеряем через prompt evaluation и оптимизируем автоматически. ENHANCE (шаги 3–5): веса заморожены, но вокруг модели добавляем RAG с вашими документами, кеширование дорогих промптов и дистилляцию большой модели в компактную. TRAIN (шаги 6–8): меняем сами веса — fine-tuning на размеченных данных, continued pre-training на больших неразмеченных корпусах или полностью своя модель через Amazon Nova Forge.

Маппинг сервисов: шаги 1–7 закрывает Amazon Bedrock (модели Anthropic, Meta, Mistral и Amazon), шаги 6–8 — Amazon SageMaker, шаг 8 — Nova Forge. Главное правило — начинать с шага 1 и подниматься только тогда, когда текущий уровень перестаёт отвечать требованиям по точности, задержке или специфике домена. По оценке авторов, большинство рабочих нагрузок не выходит за пределы шага 3.

#AI #AWS #Design #Framework #GenAI #Customization

🔤MirroS открыла код AgentGarten: агенты учатся в код-мирах с нейрорендером

Команда MirroS выложила AgentGarten - открытый фреймворк, где ИИ-агенты действуют, наблюдают и учатся. Опубликованы код, техотчёт и страница проекта.

Архитектура делит симуляцию: физику, геометрию и правила описывает код - состояние прозрачно и редактируемо. Нейрорендерер превращает эскиз (глубина, нормали с камеры) в реалистичный следующий кадр. Это снимает два компромисса: дорогую отрисовку игровых движков и физику, скрытую внутри видео-мировых моделей. Рендер идёт потоковыми чанками, обучение - методом Adversarial Forcing с дискриминатором на реальном видео. Ядра Triton, CUDA graphs и лёгкий декодер дают свыше 30 fps при 480p на одной GPU.

Агенты видели только кадры от первого лица и действовали короткими Python-программами, записывая после раунда уроки в плейбук. В hide-and-seek укрытия появились к четвёртому раунду, рампы - к десятому, хотя исследованию 2019 года нужны были десятки миллионов эпизодов. Другие миры: счёт собаки-компаньона вырос с 13 до 19, машины на однополосном мосту сократили время с 71 до 41 секунды, овчарки загнали четырёх овец, погрузчик финишировал на 31 секунду раньше.

🎨 qvabo.studio/tg · картинки и видео

#AI #Agents #Framework #OpenSource #RL