Investigadores de Agnostiq Inc. han introducido los Composite Learning Units (CLUs), una innovativa estructura para transformar los modelos de razonamiento, como los Large Language Models (LLMs), en aprendices continuos, adaptativos y efectivos.
El CLU opera mediante un espacio de conocimiento dual: uno general para conocimientos reutilizables y otro específico para tareas puntuales. La clave del éxito de los CLUs es la interacción continua y orientada a metas, refinando de manera iterativa estos espacios de conocimiento. Su diseño les permite adaptarse dinámicamente a tareas complejas y extraer perspicacias sutiles mediante la construcción autónoma sobre experiencias pasadas.
A diferencia de los modelos convencionales, que luchan para comprender la lógica subyacente, los CLUs sobresalen comprometiéndose en procesos iterativos guiados por metas. Frente a tareas como la de criptoanálisis, los CLUs mejoran continuamente su comprensión gracias a comentarios recogidos en el proceso, permitiéndoles descubrir reglas de transformación ocultas que otros modelos no logran identificar.
Componentes especializados dentro de los CLUs, como la gestión de recuperación de conocimiento y el análisis de comentarios, operan juntos en un ciclo de retroalimentación reforzante. Este enfoque posibilita a los CLUs retener la memoria de pasados fracasos y éxitos, adaptarse de forma autónoma y aplicar un razonamiento sofisticado eficazmente, aprendiendo de errores y desarrollos mientras se construyen sobre sus descubrimientos.
Principios filosóficos como el Constructivismo, la Inferencia Activa y la Forja de Información fundamentan la estructura del CLU, proporcionando un marco que apoya la adaptación dinámica y la construcción de conocimientos mediante interacciones continuas orientadas a metas, posicionando al CLU más allá de las limitaciones de los modelos estáticos y sus representaciones fijas.
Este modelo representa un cambio paradigmático en la inteligencia artificial, trasladando el enfoque del aprendizaje paramétrico estático a un aprendizaje adaptativo y continuo, centrado en la gestión dinámica del conocimiento. Se supera así la dependencia de los modelos en asociaciones preentrenadas y objetivos fijos, logrando un sistema más flexible y receptivo.