في عالم تحليل البيانات، يعد ملاءمة النماذج الكمية للبيانات خطوة أساسية، لكنها غالبًا ما تكون واحدة من أقل المجالات أتمتة. وقد أدت الأنظمة القائمة على الوكلاء، المُستندة إلى نماذج اللغة والرؤية (VLMs)، إلى اقتراح وتحسين النماذج الإحصائية بشكل تكراري. ومع ذلك، كانت هذه الأنظمة تواجه صعوبات في المهام النمذجة الأكثر تعقيدًا. لذلك، نقدم لكم VESTA: استكشاف بصري مع وكلاء أدوات إحصائية، وهو إطار عمل يزود نماذج اللغة والرؤية بأداة استكشاف تتوسع بشكل ديناميكي.

تساعد VESTA في توجيه تحسين نماذج البيانات من خلال تحويل البيانات، وعروض بصرية مدفوعة بالفرضيات، واختبارات إحصائية قوية. وبخلاف الأنظمة السابقة التي تعتمد فقط على النقد التكراري، تقوم VESTA باستكشاف البيانات بنشاط قبل وأثناء عملية التحسين من خلال اختيار أو إنشاء أدوات تشخيصية، التي تتراكم في سياق النموذج ويمكن إعادة استخدامها لاحقًا.

قمنا بتقييم VESTA مقارنةً بمعايير معروفة في ثلاث إصدارات من الأدوات: لا أدوات، أدوات ثابتة مكتوبة بواسطة خبراء، وأدوات ديناميكية مكتوبة بواسطة النموذج. ولتعزيز هذا التقييم، قدمنا مجموعة بيانات DAWN (Dataset for Automated Workflows and Numerical Modeling)، والتي تستهدف ملاءمة التوزيع ونمذجة السلاسل الزمنية بمستويات صعوبة متنوعة، culminating في مهام الفلك الحقيقية، بما في ذلك نمذجة الدوال الكتلية الأولية وإشارات موجات الجاذبية.

أظهرت النتائج أن إنشاء أدوات ديناميكيًا من VESTA يتفوق على خطوط أنابيب الوكلاء السابقة، مع أكبر المكاسب في المهام المعقدة والمحددة للمجال. كما أظهرنا أن الأدوات التي يتم إنشاؤها ديناميكيًا كانت أكثر تطورًا بشكل ملحوظ من تلك التي تنتجها الأنظمة الحالية لإنشاء الأدوات المرئية، حيث تغطي المزيد من الفئات التشخيصية لكل وظيفة وتفضل بشدة المخرجات المرئية التي يمكن لوكلاء VLM التفكير فيها مباشرة.