Kako multi-agentski sistemi preispituju LLM arhitekturu

Uz brzu brzinu kojom se umjetna inteligencija (AI) razvija, prekretnice u njenom razvoju često se osjećaju kao da se dešavaju cijelo vrijeme.

Današnji modeli velikih jezika (LLM) postali su sposobni za nevjerovatne podvige u smislu obrade prirodnog jezika, ali često posrću kada se suoče sa složenim zadacima rasuđivanja u više koraka gdje se o preciznosti i transparentnosti ne može pregovarati.

Njihova sklonost ka nepredvidivim halucinacijama i nedosljedna sposobnost rukovanja složenim rasuđivanjem u više koraka učinili su ove sisteme umjetne inteligencije s jednim agentom nepouzdanim u scenarijima gdje su tačnost, transparentnost i prilagodljivost ključni.

Neki modeli su bolji od drugih za bilo koji zadatak, ali odabir najboljeg za postizanje vaših ciljeva ponekad može izgledati kao bacanje kocke.

Mnogi stručnjaci su umorni od finog podešavanja rezultata svojih rezultata, ali to zahtijeva suštinsko ponovno osmišljavanje načina na koji LLM rade. Johnson James Kanjirathinkal , suosnivač i potpredsjednik proizvoda u Vešto , platforma za regrutaciju i uključivanje koja zamjenjuje zastarjelo zapošljavanje zasnovano na vjerodajnicama sa procjenama vođenim umjetnom inteligencijom, fokusiranim na vještine, postavlja pitanje zašto LLM uopće rade na sistemu jednog modela.

Novi koncept višeagentskih AI sistema je već na snazi u Skillfully, ali ovo je samo jedan ugao u pogledu potencijala multiagentske AI da ponovo razvije LLM za sve vrste aplikacija u stvarnom svijetu.

Ovaj pristup se fokusira na distribuiranu spoznaju kroz multi-agens AI sisteme koji odražavaju kako ljudski timovi funkcionišu u profesionalnim okruženjima.

Ograničenje LLM sa jednim agentom u proizvodnji

Koliko god raznovrsni mogli biti, LLM sa jednim modelom su fundamentalno ograničeni svojom arhitekturom dizajna kada se primjenjuju na poslovne odluke s visokim ulozima.

Uprkos sofisticiranom brojanju parametara i opsežnim podacima o obuci, oni funkcionišu kao ujedinjeni sistemi sa nekoliko inherentnih tehničkih ograničenja:

• Nemogućnost efektivne unakrsne provjere vlastitih rezultata
• Nedostatak specijaliziranog fokusa na različite kognitivne podzadatke
• Ograničena sposobnost održavanja konzistentnosti u složenim lancima rasuđivanja
• Nedovoljna transparentnost u načinu na koji se donose zaključci

Na primjer, svako poslovanje koje želi da održi korak na današnjem tržištu zahtijevat će AI koja može pošteno i precizno procijeniti sposobnosti kandidata. Stručnjaci za zapošljavanje ljudi oslanjaju se na mješavinu podataka i dobro izoštrenu profesionalnu intuiciju, dok će tradicionalni AI sistemi za koje se traži da urade isto imati tendenciju da koriste prijašnja radna mjesta ili obrazovne akreditive kao zamjenu za sposobnost, a ne procjenjuju stvarne vještine.

Kao rezultat toga, AI može generirati netačne ili obmanjujuće rezultate kada se od njega traži da donosi odluke zasnovane na indirektnim signalima, a ne na konkretnim podacima o učinku.

Možda je još važnije to što nedostatak robusnih mehanizama unakrsne verifikacije dovodi do rezultata kojima nedostaje objašnjenja i jasnih okvira za procenu, ostavljajući menadžerima za zapošljavanje nedokučive preporuke kada su im najpotrebnije praktične smernice.

Da bi umjetna inteligencija bila zaista korisna u poslovanju, ona mora pružiti djelotvorno, transparentno donošenje odluka, a ne samo predviđanja na površinskom nivou.

Multi-agencijsko rješenje problema nijansi LLM

Kada se suočio sa istim problemom dok je razvijao Skillfully, Kanjirathinkal se fokusirao na kreiranje LLM arhitekture koja razmišlja drugačije na jedan ključni način; umjesto da se oslanjaju na jedan model za rješavanje svega, tokovi rada s više agenata distribuiraju zadatke među specijalizovanim AI agentima.

Ovi agenti rade zajedno, a svaki se fokusira na posebnu funkciju kao što je kontekstualno razumijevanje, izvršenje zadataka ili kontrola kvaliteta kako bi proizveli preciznije i pouzdanije rezultate.

Ovaj novi način razmišljanja već je prisutan na Skillfully-ovoj platformi za zapošljavanje, koja koristi orkestrirane sisteme umjetne inteligencije s više agenata kako bi se osigurao pouzdaniji proces zapošljavanja usmjeren na ljude. Skillfullyjevi AI agenti dinamički procjenjuju vještine, analizirajući kako pojedinci rade u simuliranim okruženjima. Imajući više AI agenata unakrsne provjere uvida, sistem značajno smanjuje rizik od halucinacija i pogrešnih preporuka, pružajući jasniju i precizniju sliku sposobnosti kandidata.

Kanjirathinkal je takođe radio na tome da objašnjivost postane kamen temeljac sistema. Preporuke za zapošljavanje kompanije Skillfully su podržane unapred definisanim rubrikama za procenu, transparentnim mehanizmima bodovanja i detaljnim obrazloženjima koje pružaju višestruki agenti LLM-a.

Baš poput stručnjaka za zapošljavanje ljudi, Skillfullyjeve preporuke su odbrambene i nijansirane. Za razliku od ljudskih stručnjaka, ove preporuke dolaze sa snažnim ublažavanjem pristrasnosti kroz unakrsne provjere sa više agenata izgrađene na dosljednim okvirima evaluacije koji stvaraju jasne revizorske tragove. Ova transparentnost sljedećeg nivoa također je ispred novih propisa o AI, koji bi mogli uhvatiti manje nijansirane LLM nespremne.

Tehnički izazovi i budući razvoj

Uprkos svojim prednostima, implementacija sistema sa više agenata uvodi nove tehničke složenosti:

• Koordinacija između agenata
• Potencijal za neslaganje između specijalizovanih modela
• Potreba za sofisticiranim slojevima orkestracije
• Povećani računski zahtjevi

Ovi izazovi predstavljaju sljedeću granicu za AI arhitekturu. Kao što je Kanjirathinkal pokazao na Skillfully, prednosti distribuirane spoznaje nadmašuju ove prepreke implementacije kada ulozi uključuju ljudske rezultate kao što je pošteno zapošljavanje.

Multi-Agentic Workflows za manje monolitnu budućnost

Johnson James Kanjirathinkal je nepokolebljiv da će AI sistemi sutrašnjice biti specijalizirani za dopunu ljudskih sposobnosti u aplikacijama u stvarnom svijetu, uz uspjeh višeagentskih tokova rada u angažovanju kritičnog test slučaja za nove modularne, kolaborativne AI sisteme koji mogu uspjeti u više sfera.

On vjeruje da AI mora ići dalje od monolitnih modela sa jednim agentom kako bi se efikasno uhvatila u koštac s problemima u stvarnom svijetu. Tokovi rada sa više agenata nude pouzdaniju, skalabilniju i interpretabilniju alternativu koja usklađuje AI s ljudskim potrebama umjesto da prisiljava kompanije da se prilagode ograničenjima AI.

Sistemi sa više agenata ponovo zamišljaju AI manje kao jednog operatera, a više kao tim stručnjaka koji mogu da izazovu, preciziraju i nadograđuju uvide jedni drugih. Kanjirathinkal je demonstrirao jednu upotrebu za ovo u Vešto, pretvarajući ono što je nekada bio krut, neproziran proces u nešto fleksibilnije i pravednije.

Taj isti pomak je moguć svuda gdje se od AI traži da donese važne odluke.