Mehragenten-Framework macht AutoML transparent, modular und überprüfbar

Automatisiertes maschinelles Lernen (AutoML) hat die Entwicklung datengetriebener Lösungen revolutioniert, doch die meisten bestehenden Plattformen wirken wie „schwarze Boxen“ und bieten wenig Transparenz und Flexibilität für komplexe, reale Aufgaben. Neuere Agenten, die auf großen Sprachmodellen (LLM) basieren, setzen vermehrt auf Code‑generierung, stoßen jedoch häufig an Grenzen: Halluzinationen, logische Verwicklungen und monolithische Code‑Generierung führen zu unvorhersehbaren Laufzeitfehlern.

In diesem Kontext stellt das neue Framework iML einen Paradigmenwechsel vor. Durch die Kombination von drei Kernprinzipien – Code‑Guided Planning, Code‑Modular Implementation und Code‑Verifiable Integration – wird AutoML von einer undurchsichtigen Prompt‑Box zu einer strukturierten, überprüfbaren Architektur transformiert. Die Agenten planen zunächst einen strategischen Blueprint, der auf eigenständiger Profilierung basiert, um Halluzinationen zu vermeiden. Anschließend wird die Datenvorverarbeitung und das Modellieren in spezialisierte, strikt kontraktierte Module zerlegt. Schließlich sorgt ein dynamisches Vertrags‑Verifikationssystem dafür, dass jede Komponente physikalisch machbar bleibt und bei Bedarf automatisch korrigiert wird.

Die Leistungsfähigkeit von iML wurde auf den Benchmark‑Sätzen MLE‑BENCH und dem neu eingeführten iML‑BENCH getestet, die eine breite Palette realer Kaggle‑Wettbewerbe abdecken. Die Ergebnisse zeigen, dass iML die Konkurrenz deutlich übertrifft: Bei MLE‑BENCH erreichte das System eine gültige Einreichungsrate von 85 % und einen Medaillen‑Erfolg von 45 %, während der durchschnittliche standardisierte Performance‑Score (APS) bei 0,77 lag. Auf iML‑BENCH übertraf iML die führenden Agenten in allen relevanten Metriken.

Mit iML wird AutoML nicht nur leistungsfähiger, sondern auch nachvollziehbarer und überprüfbar. Die modulare Struktur erleichtert die Wartung und Anpassung an spezifische Anwendungsfälle, während die verifizierbare Integration das Risiko von Laufzeitfehlern minimiert. Diese Fortschritte markieren einen wichtigen Schritt in Richtung vertrauenswürdiger, skalierbarer KI‑Lösungen für die Industrie.