Autonome ML-Pipelines

Das Papier präsentiert eine einheitliche multi-agenten-Architektur zur automatisierten Erstellung von end-to-end-ML-Pipelines aus Datensätzen und natürlichsprachlichen Zielen. Die fünf-Agenten-Struktur verbessert Effizienz, Robustheit und Erklärbarkeit durch die Integration von Retrieval-Augmented Generation (RAG), einem erklärbaren Hybridrecommender und einer selbstheilenden Mechanik basierend auf großen Sprachmodellen. Das System erreicht einen Erfolgswert von 84,7% bei der Pipeline-Generierung und übertrifft Basismethoden durch seine adaptive Lernfähigkeit und Selbstheilungsfähigkeiten.