Con el rápido ritmo al que evoluciona la Inteligencia Artificial (IA), a menudo parece como si los puntos de inflexión en su desarrollo ocurrieran todo el tiempo.  Los modelos de lenguaje grande (LLM) actuales han crecido hasta ser capaces de lograr hazañas increíbles en términos de procesamiento del lenguaje natural, pero a menudo tropiezan cuando se enfrentan a tareas de razonamiento complejas de varios pasos donde la precisión y la transparencia no son negociables.  Su tendencia a las alucinaciones impredecibles y su capacidad inconsistente para manejar razonamientos complejos de múltiples pasos han hecho que estos sistemas de IA de agente único sean poco confiables en escenarios donde la precisión, la transparencia y la adaptabilidad son esenciales.  Algunos modelos son mejores que otros para una tarea determinada, pero elegir el mejor para alcanzar tus objetivos a veces puede parecer como tirar los dados.  Muchos expertos están cansados de ajustar los resultados de sus investigaciones, pero esto requiere una reinvención esencial del funcionamiento de los LLM.  , Cofundador y vicepresidente de producto en  , una plataforma de reclutamiento e incorporación que reemplaza la contratación obsoleta basada en credenciales con evaluaciones basadas en habilidades e impulsadas por IA, cuestiona por qué los LLM se ejecutan en un sistema de modelo único en primer lugar.   Johnson James Kanjirathinkal   Hábilmente  El nuevo concepto de sistemas de IA multiagente ya está implementado en Skillfully, pero este es solo un ángulo del potencial de la IA multiagente para generar nuevos LLM para todo tipo de aplicaciones en el mundo real.  Este enfoque se centra en la cognición distribuida a través de sistemas de IA multiagente que reflejan cómo funcionan los equipos humanos en entornos profesionales.   La limitación de los LLM de agente único en producción  Por más versátiles que puedan ser, los LLM de modelo único están fundamentalmente limitados por su arquitectura de diseño cuando se aplican a decisiones comerciales de alto riesgo.  A pesar de los sofisticados recuentos de parámetros y los amplios datos de entrenamiento, funcionan como sistemas unificados con varias limitaciones técnicas inherentes:  Incapacidad de verificar eficazmente sus propios resultados  Falta de enfoque especializado en diferentes subtareas cognitivas  Capacidad limitada para mantener la coherencia en cadenas de razonamiento complejas  Falta de transparencia en la forma en que se llegan a las conclusiones  Por ejemplo, cualquier empresa que desee mantenerse al día en el mercado actual necesitará una IA que pueda evaluar las capacidades de los candidatos de forma justa y precisa. Los expertos en contratación humana se basan en una combinación de datos y una intuición profesional bien desarrollada, mientras que los sistemas de IA tradicionales, a los que se les pide que hagan lo mismo, tienden a utilizar puestos anteriores o credenciales educativas como indicadores de la capacidad, en lugar de evaluar las habilidades reales.  Como resultado, la IA puede generar resultados inexactos o engañosos cuando se le pide que tome decisiones basadas en señales indirectas en lugar de datos de rendimiento concretos.  Quizás más importante aún, la falta de mecanismos sólidos de verificación cruzada conduce a resultados carentes de explicabilidad y marcos de evaluación claros, lo que deja a los gerentes de contratación con recomendaciones inescrutables cuando lo que más necesitan es orientación práctica.  Para que la IA sea verdaderamente útil en los negocios, debe proporcionar una toma de decisiones procesable y transparente, en lugar de solo predicciones superficiales.   La solución multiagencial al problema de los matices del LLM Cuando se enfrentó a este mismo problema mientras desarrollaba Skillfully, Kanjirathinkal se centró en crear una arquitectura LLM que piensa de manera diferente en un aspecto fundamental: en lugar de confiar en un modelo único para manejar todo, los flujos de trabajo de múltiples agentes distribuyen las tareas entre agentes de IA especializados.  Estos agentes trabajan juntos, cada uno concentrándose en una función distinta, como la comprensión del contexto, la ejecución de tareas o el control de calidad, para producir resultados más precisos y confiables.  Esta nueva forma de pensar ya está disponible en la plataforma de contratación de Skillfully, que utiliza sistemas de IA multiagente orquestados para ofrecer un proceso de contratación más fiable y centrado en el usuario. Los agentes de IA de Skillfully evalúan las habilidades de forma dinámica, analizando el rendimiento de las personas en entornos simulados. Al permitir que varios agentes de IA verifiquen la información, el sistema reduce significativamente el riesgo de alucinaciones y recomendaciones erróneas, ofreciendo una visión más clara y precisa de las capacidades de los candidatos.  Kanjirathinkal también se esforzó por convertir la explicabilidad en un pilar fundamental del sistema. Las recomendaciones de contratación de Skillfully se basan en rúbricas de evaluación predefinidas, mecanismos de puntuación transparentes y justificaciones detalladas proporcionadas por los múltiples agentes del LLM.  Al igual que un experto en reclutamiento humano, las recomendaciones de Skillfully son defendibles y matizadas. A diferencia de los expertos humanos, estas recomendaciones incluyen una sólida mitigación de sesgos mediante verificaciones cruzadas multiagente basadas en marcos de evaluación consistentes que generan registros de auditoría claros. Esta transparencia de vanguardia también se anticipa a las nuevas regulaciones de IA, que podrían sorprender a los LLM menos matizados.   Desafíos técnicos y desarrollos futuros  A pesar de sus ventajas, la implementación de sistemas multiagente introduce nuevas complejidades técnicas:  Sobrecarga de coordinación entre agentes  Potencial de desacuerdo entre modelos especializados  Necesidad de capas de orquestación sofisticadas  Mayores requisitos computacionales  Estos desafíos representan la próxima frontera para la arquitectura de IA. Como Kanjirathinkal ha demostrado en Skillfully, los beneficios de la cognición distribuida superan estos obstáculos de implementación cuando lo que está en juego son resultados humanos, como prácticas de contratación justas.   Flujos de trabajo multiagente para un futuro menos monolítico  Johnson James Kanjirathinkal está convencido de que los sistemas de IA del mañana estarán especializados para complementar las capacidades humanas en aplicaciones del mundo real, y que el éxito de los flujos de trabajo de múltiples agentes en la contratación será un caso de prueba fundamental para los nuevos sistemas de IA modulares y colaborativos que puedan tener éxito en múltiples esferas.  Cree que la IA debe ir más allá de los modelos monolíticos de un solo agente para abordar eficazmente los problemas del mundo real. Los flujos de trabajo multiagente ofrecen una alternativa más fiable, escalable e interpretable que alinea la IA con las necesidades humanas en lugar de obligar a las empresas a adaptarse a sus limitaciones.  Los sistemas multiagente reimaginan la IA menos como un solo operador y más como un equipo de especialistas capaces de cuestionar, refinar y desarrollar los conocimientos de los demás. Kanjirathinkal ha demostrado un uso para esto en Skillfully, transformando lo que antes era un proceso rígido y opaco en algo más flexible y justo.  Ese mismo cambio es posible en cualquier lugar donde se le pida a la IA que tome decisiones importantes.

This story contains new, firsthand information uncovered by the writer.

Este audio es producido en el idioma original de la historia!

Cómo los sistemas multiagente están repensando la arquitectura LLM

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps