A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting
Cet article présente CastClaw, un agent autonome avec intervention humaine qui intègre la spécification de tâches en langage naturel, des modèles de prévision spécialisés et un raffinement itératif fondé sur des preuves pour surpasser 16 références dans la prévision des prix et de la charge de l'électricité tout en fournissant des rapports d'exécution transparents.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Prédire l'avenir de nombres qui évoluent dans le temps — comme le prix de l'électricité ou la charge d'un réseau électrique — est une tâche qui réussit rarement avec un simple calcul isolé. Dans le monde réel, la prévision précise ne consiste pas seulement à injecter des données historiques dans un programme informatique et à attendre une réponse. C'est un processus complexe et itératif où un expert humain doit définir l'objectif, connecter les bonnes sources de données, appliquer des connaissances spécifiques sur le fonctionnement du monde, puis juger soigneusement si la supposition de l'ordinateur fait sens. Si la prédiction semble étrange, l'expert doit trouver les informations manquantes, ajuster l'approche ou décider de s'arrêter pour essayer autre chose. Pendant des années, le domaine a été divisé entre des modèles informatiques spécialisés, excellents pour traiter les chiffres mais rigides dans leur pensée, et des agents d'intelligence artificielle à usage général, capables de raisonner et de discuter, mais manquant souvent des règles strictes et des contrôles nécessaires pour une prédiction numérique fiable.
Des chercheurs de l'Université de science et technologie de Chine ont construit un nouveau système appelé CastClaw pour combler ce fossé. Il s'agit d'un agent autonome conçu pour travailler aux côtés d'un humain, agissant comme un assistant infatigable qui gère la partie lourde de l'analyse de données tout en laissant le jugement final et la supervision à la personne responsable. Le système ne remplace pas l'humain ; il crée plutôt une boucle où l'ordinateur propose une prévision, la vérifie par rapport à des modèles connus et des règles définies par l'utilisateur, et ne change d'avis que s'il trouve des preuves solides pour soutenir une révision. Si les preuves font défaut, le système sait qu'il doit demander de l'aide à l'humain ou chercher plus de contexte, plutôt que de deviner aveuglément. Cette approche transforme la prévision d'un calcul ponctuel en un flux de travail documenté et inspectable, où chaque étape, de la question initiale au chiffre final, est enregistrée et peut être revue.
Le cœur de CastClaw est un cadre que les chercheurs appellent un « harnais », qui agit comme le système nerveux central connectant différents outils. Lorsqu'un utilisateur pose une question en langage courant, telle que prédire les prix de l'électricité pour le lendemain, le système identifie d'abord quelles données sont nécessaires et quelles règles doivent être suivies. Il intègre ensuite une prévision provenant d'un modèle spécialisé ou utilise une prévision fournie par l'utilisateur. Avant d'accepter ce nombre, le système effectue une série de vérifications. Il examine les modèles récents pour voir si la prévision s'y inscrit, la compare à des connaissances sectorielles comme les effets de la météo ou la dynamique de l'offre et de la demande, et vérifie qu'elle respecte toutes les contraintes strictes fixées par l'utilisateur. Si la prévision passe ces tests, elle est conservée. Si elle échoue, le système ne se contente pas de la rejeter ; il cherche à comprendre pourquoi. Il peut rechercher un contexte manquant, exécuter un autre type d'analyse ou consulter un autre modèle pour voir si un meilleur candidat existe.
Crucialement, le système est conçu pour savoir quand s'arrêter. Il ne changera pas d'avis indéfiniment. Il interrompt le processus lorsque la prévision est étayée par des preuves, lorsque des changements supplémentaires sont peu susceptibles d'aider, lorsqu'un budget de calcul est épuisé, ou lorsqu'un expert humain est nécessaire pour prendre une décision finale. Chaque action entreprise par le système, chaque élément de preuve trouvé et chaque version de la prévision considérée sont sauvegardés dans un rapport détaillé. Ce rapport permet à un humain de voir exactement comment le chiffre final a été atteint, y compris les avertissements ou les questions non résolues qui subsistent. Le système traite l'apport humain non pas comme un ordre final à ignorer, mais comme une partie vitale de la chaîne de preuves qui peut corriger la tâche, ajouter de nouvelles hypothèses ou arrêter l'exécution à tout moment.
Pour tester si cette approche fonctionne réellement, les chercheurs ont appliqué CastClaw à cinq ensembles de données publiques de prix de l'électricité provenant de Belgique, d'Allemagne, de France, du Nordic Pool et de PJM aux États-Unis. Ils ont comparé les performances du système à seize autres méthodes, allant des outils statistiques traditionnels aux modèles d'intelligence artificielle avancés. Dans chaque cas, CastClaw a produit les prédictions les plus précises, mesurées par la proximité des chiffres avec les valeurs futures réelles. Il a surpassé les meilleures méthodes existantes par des marges significatives, réduisant les erreurs jusqu'à trente pour cent dans certaines régions. Les chercheurs ont également démontré le système dans un cadre en direct en utilisant des données du marché de l'électricité nordique. Lors de cette démonstration, un utilisateur a fourni une prévision initiale, et le système l'a vérifiée par rapport aux conditions du marché. Lorsque le système a constaté qu'un ajustement proposé aurait en réalité dégradé la prédiction, il a rejeté le changement et a conservé la prévision originale, documentant l'ensemble du processus de décision. Cela a montré que le système est capable de pensée critique, sachant quand dire « non » à une mauvaise idée aussi bien qu'il sait dire « oui » à une bonne, et que le flux de travail est entièrement inspectable.
Les chercheurs ont également fait fonctionner le système sur des données hors ligne représentant les charges électriques en Chine du Nord pour le premier semestre 2026. Cet exercice était destiné à valider l'exécution du flux de travail hors ligne en utilisant les mêmes spécifications de tâche, modèles et outils, mais il n'était pas destiné à démontrer un déploiement en ligne, une utilisation en production ou une précision comparative par rapport à d'autres modèles. Les résultats ont confirmé que le système pouvait exécuter le flux de travail complet du début à la fin dans un environnement hors ligne, en gérant les données, les outils et les décisions selon ses règles et en enregistrant des rapports détaillés. L'étude démontre clairement que, bien que le système soit hautement capable, il n'est pas une boîte magique qui résout chaque problème instantanément. C'est un outil qui nécessite qu'un humain définisse les objectifs et assure la supervision finale, garantissant que les prédictions restent ancrées dans la réalité et utiles à la prise de décision. En combinant la vitesse des machines avec le jugement des humains, CastClaw offre une nouvelle façon d'aborder le difficile problème de la prédiction de l'avenir, transformant un processus chaotique en un parcours clair, fiable et transparent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.