NetSA : une architecture multiagent réutilisable pour les environnements riches en informations
Bibliographic record
Abstract
La toile (i.e., Web) exige de nos jours des logiciels capables d'opérer sur des sources d'information hétérogènes placées dans un environnement ouvert et dynamique (comme par exemple l'internet). Elle exige également de revoir certaines applications complexes (les bibliothèques digitales, les services banquiers, les assurances, etc.) comme un ensemble d'agents logiciels autonomes capables d'interagir en vue de réaliser certains objectifs. Dans ce papier, nous proposons une architecture réutilisable multiagent qui intègre de nouveaux développements technologiques (incluant entre autres: la technologie agent, KQML, la médiation entre agents, la technologie web, etc.) en vue de supporter ces exigences. Cette architecture appelée NetSA est composée de trois couches: la couche de communication avec l'utilisateur, la couche de traitement de l'information et la couche d'interrogation et d'extraction d'informations. Ainsi, NetSA traite des aspects I3 (Information, Interaction et Intelligence), au travers respectivement des bases de données qu'elle adresse pour extraire de l'information, des communications entre agents et des stratégies de recherche au moyen de la couche intermédiaire. Nous avons spécifié, développé et validé une telle architecture. Pour la validation, nous avons opté pour une compétition entre agents-banques, en vue de proposer les meilleurs taux hypothécaires à d'éventuels clients. Pour cela, nous avons étudié et développé des algorithmes à base d'enchères qui pourraient optimiser le profit de l'acheteur ou du vendeur selon les conditions de vente. Les premiers résultats de la validation ont clairement montré que l'architecture NetSA : (a) peut facilement satisfaire jusqu'à 15 utilisateurs (au-delà, il faudra penser utiliser plusieurs architectures NetSA); (b) est efficace par rapport à une recherche web classique; (c) est facile d'utilisation; (d) convient bien aux applications faisant intervenir des bases de données héritées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".