Zoa Research

À propos

Historiquement, les modèles quantitatifs sont propres à un domaine. Des gens brillants passent leurs meilleures années à tester des variables, à régler des hyperparamètres et à itérer sur des architectures dans un domaine étroit. Mais l'échelle est la panacée : les grands modèles trouveront des schémas que ni les humains ni les modèles spécialisés n'ont su voir.

La prévision se généralise. Zoa entraîne des moteurs de prévision d'événements transversaux à plusieurs domaines.

*Automatiser l'itération*

Les LLM, intégrés à des boucles d'optimisation multi-agents et évalués par rapport à des politiques fixes, peuvent automatiser le cycle de modélisation « construire, tester, améliorer ». Imaginez un AlphaEvolve pour les problèmes de prévision.

*Des modèles généraux économes en données*

Les modèles de prévision actuels sont façonnés de manière étroite, avec de forts a priori humains. Mais des modèles plus grands surpasseront les modèles spécialisés de pointe.

Contrairement aux modèles d'événements existants, nos modèles exploitent des données issues de contextes variés et dépendent moins de l'intuition humaine. Et par rapport aux LLM, ils intègrent davantage de biais inductifs et s'appuient plus fortement sur le calcul au moment de l'inférence, ce qui améliore l'efficacité en données.

*Pourquoi c'est important*

Dans l'économie réelle, nos modèles pourraient servir à prévoir la volatilité des chaînes d'approvisionnement, l'offre et la demande d'énergie, voire le risque sismique.

La science, écrit Ian Hacking, est l'apprivoisement du hasard. C'est un processus de mise à jour itérative des a priori (quelque chose comme : identifier l'incertitude, concevoir une expérience pour la réduire, l'exécuter, mettre à jour). Si la science consiste à réduire l'incertitude, la prévision est une mesure essentielle du progrès.

De meilleures prévisions améliorent notre capacité à choisir des expériences intéressantes (en gros, celles qui promettent la plus forte réduction d'incertitude) et à mettre à jour nos a priori. Nos modèles seront utilisés par des laboratoires et des universitaires dans des domaines riches en données.

C'est l'ex-petite amie de Sam qui lui a présenté Greg à Carnegie Mellon en 2017 ; cette relation n'a pas duré, mais leur amitié, si. Après l'université, Greg est entré à la Harvard Law School, tandis que Sam a travaillé trois ans chez Jane Street, au desk Options, où il a monté et dirigé une équipe de développement satellite.

Thèmes