Home Umela inteligencia Ako môžu multiagentové LLM umožniť modelom AI efektívnejšie riešiť zložité úlohy

Ako môžu multiagentové LLM umožniť modelom AI efektívnejšie riešiť zložité úlohy

by
mm

Väčšina organizácií chce dnes využívať veľké jazykové modely (LLM) a implementovať overovanie konceptov a agentov umelej inteligencie (AI) na optimalizáciu nákladov v rámci svojich obchodných procesov a poskytovanie nových a kreatívnych používateľských skúseností. Väčšina týchto implementácií je však „jednorazových“. Výsledkom je, že podniky majú problémy s realizáciou návratnosti investícií (ROI) v mnohých z týchto prípadov použitia.

Generatívna AI (GenAI) sľubuje, že pôjde nad rámec softvéru, akým je druhý pilot. Tieto riešenia by sa namiesto poskytovania usmernení a pomoci odborníkovi na danú problematiku (MSP) mohli stať aktérmi MSP, ktorí autonómne vykonávajú činnosti. Aby sa riešenia GenAI dostali do tohto bodu, organizácie im musia poskytnúť ďalšie znalosti a pamäť, schopnosť plánovať a preplánovať, ako aj schopnosť spolupracovať s inými agentmi pri vykonávaní akcií.

Zatiaľ čo jednotlivé modely sú v niektorých scenároch vhodné ako kopiloti, agentské architektúry otvárajú dvere LLM, aby sa stali aktívnymi komponentmi automatizácie obchodných procesov. Podniky by preto mali zvážiť pákový efekt Multiagentné (LLM-MA) systémy založené na LLM zefektívniť komplexné obchodné procesy a zlepšiť návratnosť investícií.

Čo je systém LLM-MA?

Takže, čo je systém LLM-MA? Stručne povedané, táto nová paradigma v technológii AI opisuje ekosystém agentov AI, nie izolované entity, ktoré súdržne spolupracujú na riešení zložitých problémov.

Rozhodnutia by sa mali vyskytovať v širokom spektre kontextov, rovnako ako spoľahlivé rozhodovanie medzi ľuďmi si vyžaduje špecializáciu. Systémy LLM-MA vytvárajú rovnakú „kolektívnu inteligenciu“, ktorú využíva skupina ľudí prostredníctvom viacerých špecializovaných agentov, ktorí spolu interagujú, aby dosiahli spoločný cieľ. Inými slovami, rovnakým spôsobom, akým podnik spája rôznych odborníkov z rôznych oblastí, aby vyriešili jeden problém, fungujú aj systémy LLM-MA.

Obchodné požiadavky sú príliš veľké na jednu LLM. Avšak distribúciou schopností medzi špecializovaných agentov s jedinečnými zručnosťami a znalosťami namiesto toho, aby každý bremeno niesol jeden LLM, môžu títo agenti vykonávať úlohy efektívnejšie a efektívnejšie. Multiagentní LLM môžu dokonca navzájom „kontrolovať“ svoju prácu prostredníctvom krížového overovania, obmedzenie „halucinácií“ pre maximálnu produktivitu a presnosť.

Najmä systémy LLM-MA používajú metódu rozdeľuj a panuj, aby získali presnejšiu kontrolu nad ostatnými aspektmi komplexných systémov s podporou AI – najmä lepšie doladenie na konkrétne súbory údajov, výber metód (vrátane umelej inteligencie pred transformáciou). pre lepšiu vysvetliteľnosť, riadenie, bezpečnosť a spoľahlivosť a používanie nástrojov iných ako AI ako súčasti komplexného riešenia. V rámci tohto prístupu rozdeľuj a panuj agenti vykonávajú akcie a dostávajú spätnú väzbu od iných agentov a údajov, čo umožňuje prijatie stratégie vykonávania v priebehu času.

Príležitosti a prípady použitia LLM-MA systémov

Systémy LLM-MA dokážu efektívne automatizovať obchodné procesy vyhľadávaním v štruktúrovaných a neštruktúrovaných dokumentoch, generovaním kódu na dopytovanie dátových modelov a vykonávaním ďalšieho generovania obsahu. Spoločnosti môžu využívať systémy LLM-MA pre niekoľko prípadov použitia, vrátane vývoja softvéru, simulácie hardvéru, vývoja hier (konkrétne svetového vývoja), vedeckých a farmaceutických objavov, procesov riadenia kapitálu, finančnej a obchodnej ekonomiky atď.

Jednou z pozoruhodných aplikácií systémov LLM-MA je automatizácia call/servisných centier. V tomto príklade by kombinácia modelov a iných programových aktérov využívajúcich preddefinované pracovné toky a postupy mohla automatizovať interakcie koncových používateľov a vykonávať triedenie požiadaviek prostredníctvom textu, hlasu alebo videa. Okrem toho by sa tieto systémy mohli pohybovať po najoptimálnejšej ceste riešenia využívaním procedurálnych znalostí a znalostí MSP s údajmi o personalizácii a vyvolaním agentov typu Retrieval Augmented Generation (RAG) a agentov bez LLM.

Z krátkodobého hľadiska nebude tento systém plne automatizovaný – stanú sa chyby a v slučke budú musieť byť ľudia. Umelá inteligencia nie je pripravená replikovať zážitky podobné ľuďom z dôvodu zložitosti testovania konverzácie s voľným tokom, napríklad proti zodpovedným obavám AI. Umelá inteligencia však môže trénovať na tisíckach historických lístkov podpory a spätnej väzby, aby zautomatizovala významné časti operácií call/servisných centier, zvýšila efektivitu, znížila prestoje pri riešení lístkov a zvýšila spokojnosť zákazníkov.

Ďalšou výkonnou aplikáciou multiagentových LLM je vytváranie rozhraní na spoluprácu medzi človekom a AI pre konverzácie v reálnom čase, čím sa riešia úlohy, ktoré predtým neboli možné. Konverzačná rojová inteligencia (CSI) je napríklad metóda, ktorá umožňuje 1000 ľuďom viesť konverzácie v reálnom čase. CSI konkrétne umožňuje malým skupinám vzájomný dialóg, pričom súčasne rôzne skupiny agentov sumarizujú vlákna konverzácie. Potom podporuje šírenie obsahu medzi väčším počtom ľudí, čím posilňuje ľudskú koordináciu v bezprecedentnom rozsahu.

Bezpečnosť, zodpovedná AI a ďalšie výzvy LLM-MA systémov

Napriek vzrušujúcim príležitostiam systémov LLM-MA vznikajú určité problémy s týmto prístupom, pretože počet agentov a veľkosť ich akčných priestorov sa zvyšuje. Napríklad, podniky budú musieť riešiť problém obyčajných starých halucinácií, ktoré si budú vyžadovať, aby sa v slučke dostali ľudia – určená strana musí byť zodpovedná za systémy agentov, najmä tie s potenciálnym kritickým vplyvom, ako je napríklad automatizovaný objav drog.

Vyskytnú sa aj problémy so skreslením údajov, ktoré môže viesť k skresleniu interakcie. Podobne aj budúce systémy LLM-MA so stovkami agentov si budú vyžadovať zložitejšie architektúry, pričom budú zohľadňovať ďalšie nedostatky LLM, operácie s údajmi a strojové učenie.

Okrem toho musia organizácie riešiť bezpečnostné problémy a podporovať zodpovedné postupy AI (RAI). Viac LLM a agentov zvyšuje útočnú plochu pre všetky hrozby AI. Spoločnosti musia rozložiť rôzne časti svojich systémov LLM-MA na špecializovaných aktérov, aby poskytli väčšiu kontrolu nad tradičnými rizikami LLM, vrátane bezpečnostných a RAI prvkov.

Okrem toho, ako sa riešenia stávajú komplexnejšími, musia aj rámce riadenia AI, aby sa zabezpečilo, že produkty AI budú spoľahlivé (tj robustné, zodpovedné, monitorované a vysvetliteľné), rezidentné (tj bezpečné, zabezpečené, súkromné ​​a efektívne) a zodpovedné (tj spravodlivé). etické, inkluzívne, udržateľné a účelné). Stupňujúca sa zložitosť povedie aj k sprísneniu regulácií, vďaka čomu bude ešte dôležitejšie, aby bezpečnosť a RAI boli súčasťou každého obchodného prípadu a návrhu riešenia od začiatku, ako aj priebežné aktualizácie pravidiel, firemné školenia a vzdelávanie a TEVV (testovanie, hodnotenie, overovanie a validácia) stratégie.

Extrahovanie plnej hodnoty zo systému LLM-MA: Úvahy o údajoch

Aby podniky mohli získať plnú hodnotu zo systému LLM-MA, musia uznať, že LLM samy o sebe disponujú iba všeobecnými znalosťami domény. LLM sa však môžu stať produktmi umelej inteligencie, ktoré vytvárajú hodnotu, keď sa spoliehajú na znalosti podnikovej domény, ktoré zvyčajne pozostávajú z diferencovaných údajových aktív, podnikovej dokumentácie, znalostí MSP a informácií získaných z verejných zdrojov údajov.

Podniky sa musia posunúť z dátovo-centrického, kde dáta podporujú reportovanie, na AI-centrické, kde sa dátové zdroje spájajú, aby umožnili AI stať sa aktérom v rámci podnikového ekosystému. Schopnosť spoločností spravovať a spravovať vysokokvalitné dátové aktíva sa preto musí rozšíriť aj na tieto nové typy údajov. Podobne aj organizácie potrebujú modernizovať svoj prístup k spotrebe údajov a prehľadov, zmeniť svoj operačný model a zaviesť riadenie, ktoré spája údaje, AI a RAI.

Z hľadiska nástrojov môže GenAI poskytnúť ďalšiu pomoc týkajúcu sa údajov. Nástroje GenAI dokážu generovať ontológie, vytvárať metaúdaje, extrahovať dátové signály, dávať zmysel komplexnej dátovej schéme, automatizovať migráciu dát a vykonávať konverziu dát. GenAI možno použiť aj na zvýšenie kvality údajov a pôsobiť ako špecialisti na riadenie, ako aj ako kopiloti alebo poloautonómni agenti. Mnoho organizácií už používa GenAI na pomoc pri demokratizácii údajov, ako je to vidieť na schopnostiach „hovoriť s vašimi údajmi“.

Nepretržité prijímanie vo veku rýchlych zmien

LLM nepridáva hodnotu ani nedosahuje pozitívnu návratnosť investícií sám osebe, ale ako súčasť aplikácií zameraných na obchodné výsledky. Výzvou je, že na rozdiel od minulosti, keď boli technologické možnosti LLM trochu známe, dnes sa nové možnosti objavujú týždenne a niekedy aj denne, čím podporujú nové obchodné príležitosti. Na vrchole tejto rýchlej zmeny je neustále sa vyvíjajúca oblasť regulácie a dodržiavania predpisov, vďaka čomu je schopnosť rýchlej adaptácie kľúčová pre úspech.

Flexibilita potrebná na využitie týchto nových príležitostí si vyžaduje, aby podniky prešli zmenou myslenia zo síl na spoluprácu, čím sa podporuje najvyššia úroveň prispôsobivosti naprieč technológiami, procesmi a ľuďmi pri implementácii robustnej správy údajov a zodpovedných inovácií. V konečnom dôsledku budú spoločnosti, ktoré prijmú tieto nové paradigmy, viesť ďalšiu vlnu digitálnej transformácie.

Source Link

Related Posts

Leave a Comment