Jak multiagentní systémy přehodnocují architekturu LLM

S rychlým tempem, kterým se umělá inteligence (AI) vyvíjí, se zlomy v jejím vývoji často zdají, jako by k nim docházelo neustále.

Dnešní velké jazykové modely (LLM) jsou schopny neuvěřitelných výkonů, pokud jde o zpracování přirozeného jazyka, ale často klopýtnou, když čelí složitým úlohám uvažování o více krocích, kde je přesnost a transparentnost nesmlouvavá.

Jejich tendence k nepředvídatelným halucinacím a nekonzistentní schopnost zvládnout složité, vícestupňové uvažování způsobily, že tyto systémy umělé inteligence s jedním agentem jsou nespolehlivé ve scénářích, kde je zásadní přesnost, transparentnost a přizpůsobivost.

Některé modely jsou pro jakýkoli daný úkol lepší než jiné, ale vybrat si ty nejlepší pro splnění svých cílů může někdy připadat jako házení kostkou.

Mnoho odborníků je unaveno dolaďováním výstupů svých výsledků, ale to vyžaduje zásadní přehodnocení toho, jak LLM fungují. Johnson James Kanjirathinkal , spoluzakladatel a viceprezident produktu ve společnosti Dovedně , platforma pro nábor a onboarding, která nahrazuje zastaralé nábory založené na pověřeních hodnocením řízeným umělou inteligencí a zaměřeným na dovednosti, klade otázku, proč LLM vůbec běží na systému s jedním modelem.

Nový koncept multiagentních systémů umělé inteligence je již na Skillfully zaveden, ale to je pouze jeden úhel pohledu na potenciál multiagentní umělé inteligence obnovit LLM pro všechny druhy aplikací v reálném světě.

Tento přístup se zaměřuje na distribuované poznávání prostřednictvím multiagentních systémů umělé inteligence, které odrážejí fungování lidských týmů v profesionálním prostředí.

Omezení LLM s jedním agentem ve výrobě

Jakkoli mohou být LLM s jedním modelem univerzální, jsou zásadně omezeny svou architekturou návrhu, když jsou aplikovány na důležitá obchodní rozhodnutí.

Navzdory sofistikovanému počtu parametrů a rozsáhlým tréninkovým datům fungují jako jednotné systémy s několika vlastními technickými omezeními:

• Neschopnost efektivně křížově ověřovat své vlastní výstupy
• Nedostatek specializovaného zaměření na různé kognitivní dílčí úkoly
• Omezená schopnost udržovat konzistenci napříč složitými uvažovacími řetězci
• Nedostatečná transparentnost při dosahování závěrů

Například každý podnik, který chce držet krok na dnešním trhu, bude vyžadovat AI, která dokáže spravedlivě a přesně posoudit schopnosti kandidátů. Experti na nábor lidí spoléhají na kombinaci dat a dobře vypilovanou profesionální intuici, zatímco tradiční systémy umělé inteligence, které jsou o to požádány, budou mít tendenci používat minulé pracovní tituly nebo osvědčení o vzdělání jako zástupné znaky schopností spíše než hodnotit skutečné dovednosti.

V důsledku toho může umělá inteligence generovat nepřesné nebo zavádějící výsledky, když je požádána, aby se rozhodovala na základě nepřímých signálů, nikoli konkrétních údajů o výkonu.

Možná ještě důležitější je, že nedostatek robustních mechanismů křížového ověřování vede k výsledkům, které postrádají vysvětlitelné a jasné rámce hodnocení, takže náboroví manažeři mají nevyzpytatelná doporučení, když to, co nejvíce potřebují, je praktické vedení.

Aby umělá inteligence byla skutečně užitečná v podnikání, musí poskytovat akceschopné a transparentní rozhodování, nikoli pouze předpovědi na povrchové úrovni.

Multiagentní řešení problému LLM Nuance

Když byl Kanjirathinkal konfrontován se stejným problémem při vývoji Skillfully, zaměřil se na vytvoření architektury LLM, která myslí odlišně jedním klíčovým základním způsobem; místo toho, aby se spoléhalo na jediný model, který vše zvládne, multiagentní pracovní postupy rozdělují úkoly mezi specializované agenty AI.

Tito agenti spolupracují, každý se zaměřuje na odlišnou funkci, jako je porozumění kontextu, provádění úkolů nebo kontrola kvality, aby produkovaly přesnější a spolehlivější výsledky.

Tento nový způsob uvažování již funguje na náborové platformě Skillfully, která využívá řízené multiagentní systémy umělé inteligence k zajištění spolehlivějšího procesu náboru zaměřeného na člověka. Agenti umělé inteligence Skillfully hodnotí dovednosti dynamicky a analyzují, jak si jednotlivci vedou v simulovaných prostředích. Tím, že několik agentů AI křížově ověřuje poznatky, systém výrazně snižuje riziko halucinací a chybných doporučení a poskytuje jasnější a přesnější obrázek o schopnostech kandidátů.

Kanjirathinkal také pracoval na tom, aby se vysvětlitelnost stala základním kamenem systému. Doporučení společnosti Skillfully ohledně náboru jsou podpořena předdefinovanými hodnotícími rubrikami, transparentními mechanismy bodování a podrobnými zdůvodněními poskytnutými mnoha agenty LLM.

Stejně jako odborník na nábor lidí jsou doporučení Skillfully obhajitelná a odlišná. Na rozdíl od lidských expertů přicházejí tato doporučení s robustním zmírněním zkreslení prostřednictvím křížových kontrol mezi více agenty postavených na konzistentních hodnotících rámcích, které vytvářejí jasné kontrolní stopy. Tato transparentnost další úrovně také předbíhá nově vznikající předpisy pro umělou inteligenci, které mohou zastihnout méně nuancované LLM nepřipravené.

Technické výzvy a budoucí vývoj

Přes své výhody přináší implementace multiagentních systémů nové technické složitosti:

• Režie koordinace mezi agenty
• Možnost neshody mezi specializovanými modely
• Potřeba sofistikovaných orchestračních vrstev
• Zvýšené výpočetní požadavky

Tyto výzvy představují další hranici pro architekturu AI. Jak Kanjirathinkal prokázal na Skillfully, výhody distribuovaného poznání převažují nad těmito překážkami implementace, když sázky zahrnují lidské výsledky, jako jsou spravedlivé náborové praktiky.

Multiagentní pracovní postupy pro méně monolitickou budoucnost

Johnson James Kanjirathinkal je pevně přesvědčen, že systémy umělé inteligence zítřka budou specializované tak, aby doplňovaly lidské schopnosti v aplikacích v reálném světě, s úspěchem multiagentních pracovních postupů při najímání kritického testovacího případu pro nové modulární, kolaborativní systémy umělé inteligence, které mohou uspět ve více sférách.

Věří, že umělá inteligence se musí posunout za hranice monolitických modelů s jedním agentem, aby mohla efektivně řešit problémy reálného světa. Multiagentní pracovní postupy nabízejí spolehlivější, škálovatelnější a lépe interpretovatelnou alternativu, která sladí AI s lidskými potřebami a nenutí podniky, aby se přizpůsobovaly omezením AI.

Multiagentní systémy přetvářejí umělou inteligenci méně jako jediného operátora a více jako tým specialistů, kteří se mohou vzájemně zpochybňovat, vylepšovat a stavět na svých poznatcích. Kanjirathinkal pro to předvedl jedno použití v Skillfully, kdy přeměnil to, co bylo kdysi rigidní, neprůhledný proces, na něco flexibilnějšího a spravedlivějšího.

Stejný posun je možný všude, kde se po AI žádá, aby dělala rozhodnutí, na kterých záleží.