מאמר זה נכתב בשיתוף עם טים שיי מסטודיו Super Vision.  ללא ספק, מקרה השימוש המשכנע ביותר עבור AI Generative אינו החלפת עובדים אנושיים או אוטומציה של זרימות עבודה מוגדרות בקפדנות, אלא הגדלה משמעותית של הממדים שאנשים יכולים לחקור בעת קבלת החלטה. בדרך זו, מודלים של LLM ומודלי דיפוזיה הם שותפים מדהימים לסיעור מוחות. אנחנו יכולים להורות ל-LLM's לגבי תחום הידע שנרצה שהוא ייצג ואז להגדיר במדויק כיצד נרצה לראות את הפלט. לדוגמה, נוכל לשאול:  "אני רוצה ליצור מסד נתונים של חברות אחזקות קמעונאיות יוקרתיות כמו VF Corporation, New Guard Group, Only The Brave ו-LVMH, כמו גם המותגים שהם רכשו לאחרונה. האם תוכל בבקשה ליצור גיליון אקסל עם העמודות הבאות: חברת אחזקות, שם מותג, סכום רכישה, תאריך רכישה, נימוק לרכישה"  שאילתות מסוג זה נחשבות כעת ל"הימור על שולחן", שדרוג מדהים לעומת מנועי חיפוש מסורתיים שנראים כעת מוזרים בעידן ה- Generative AI.  עם זאת, תהליכי החלטה מסוימים עשויים להיות מורכבים ביותר. לפעמים נרצה להיות מסוגלים ליצור מודל של קבלת החלטות שעלולה להתרחש בין פרסונות מיוחדות מרובות (כגון מנכ"ל, CMO או CTO) או מודולים מיוחדים (כגון מחבר API, מנתח K1 או מנתח SWOT). בעולם האמיתי, ניקח את התוצאות של הגיליון האלקטרוני של Excel ונעביר אותו דרך כפפה של מומחים אנושיים. אסטרטגים, משקיעים ומומחי תחום היו מצטרפים. היינו בונים "מה אם" לגבי הרכישות, נחפור ב-P&L והחלמנו תוכניות יציאה לשוק עבור רכישות עתידיות פוטנציאליות. אבל הודות ל-LLMs מודרניים, אנו יכולים ליצור כעת סוכני AI אינדיבידואליים שיכולים לדגמן כל אחת מההתנהגויות הללו ולדמות שיש לנו חדר מלא במומחים שמודיעים על ההחלטות שלנו.   מערכת ההפעלה Super Vision Multi-Agent  אז כשהקמנו לראשונה   - אולפן מיזמים מואץ בינה מלאכותית המתמקד ביצירת "מותגים עתידיים" - פנינו מיד למערכות Multi-Agent AI כדי לדגמן את תהליכי קבלת ההחלטות הקנייניים שאנו מכנים "Super Vision OS שלנו". בעזרתו, אנו יכולים לסרוק מסדי נתונים עסקיים מסיביים בחיפוש אחר מודלים חלשים של P&L שבהם בינה מלאכותית יכולה לספק שיפורים גדולים. אנחנו יכולים להטיל על הסוכנים במערכת ההפעלה שלנו היפותטיות לגבי קמעונאות, CPG, הדפסה, בידור או מסחר אלקטרוני. הסוכנים יכולים לחתוך מספרים, להתלבט ולהתווכח ביניהם. הסוכנים יכולים אפילו לייצר תוצרים שסוכנים אחרים מבקרים וחוזרים עליהם. את Super Vision Studio  למערכות ריבוי סוכנים יש מספר יתרונות על פני ממשקי צ'אט פשוטים של LLM: ניתן להכשיר כל סוכן במערכת עם כמות עצומה של ידע מיוחד  ניתן לתכנן את הסוכנים כך שיתרחשו סוגים ספציפיים של הלוך ושוב ו- checks-and-balance.  ניתן לחבר את הסוכנים יחד עם מודולים דטרמיניסטיים - כמו סקריפט Python - המבצעים משימות מיוחדות.  למערכת הסוכנים ניתן לתת מרחב מחשוב כמעט אינסופי לחזרה ולהמציא אפשרויות.  מערכת הסוכנים יכולה להציג בפנינו מגוון מסנוור של אפשרויות, שכל אחת מהן מכילה פרטים מעוצבים היטב.   המערכת האקולוגית של מערכת רב סוכנים  יש לנו גם מגוון עצום של אפשרויות מדף להקמת מערכות מולטי-סוכנים מותאמות אישית כמו AutoGen, CrewAI ו-LangChain. בחרנו ב-AutoGen כי זה בחינם, יש המון סרטוני היכרות, והם מספקים קוד לדוגמה עבור מספר רב של ארכיטקטורות Multi-Agent שונות שניתן להגדיר ולערום יחד. AutoGen מקטלגת רשימה נרחבת של דוגמאות למה שהיא מכנה "דפוסי שיחה" (כגון צ'אט של שני סוכנים, צ'אט רציף, צ'אט קבוצתי וצ'אט מקונן).  תבניות אלו, או ארכיטקטורות, הן חלק חשוב מתהליך התכנון של מערכת הסוכנים. זה דומה לאופן שבו אתה בונה צוות של מומחים אנושיים ומגדיר מראש את כללי המעורבות ביניהם.  עיצובים שונים יכולים לייצר תוצאות שונות בתכלית.  הדפוס הפשוט ביותר ש-AutoGen מספק הוא צ'אט עם שני סוכנים, שבו אנו מגדירים את הדמות של כל סוכן, שבו סוכן אחד פשוט שואל את הסוכן השני את השאלה המקורית, ואיפה הסוכנים חוזרים וחוזרים על בעיה מספר קבוע של פעמים. קל להגדיר אותו, ואנחנו יכולים לקרוא כל אינטראקציה בתוך השיחה שלהם מילה במילה. הקוד לדוגמה מופיע להלן:   import os from autogen import ConversableAgent agent__venture_studio_founder = ConversableAgent ( name="Agent__Venture_Studio_Founder", system_message="You are the founder owner of a venture studio with expertise in funding and building technology and retail brands.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, ) agent__business_analyst = ConversableAgent ( name="Agent__Business_Analyst", system_message="You are an expert business analyst with deep expertise in finance, strategy, marketing, and operations.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, ) chat_result = agent__venture_studio_founder.initiate_chat ( agent__business_analyst, message="""I want to identify companies that traditionally have weak P&L's such as thin profit margins, fickle customers, or are high susceptibility to market swings. Our thesis is we want to focus on industries such as Retail, CPG, Print, Entertainment, and e-Commerce so we only want to look at types of companies in those specific industries. We want to choose company types where Generative AI can produce outsized efficiencies to the P&L's. Don't want to consider company types where Generative AI cannot help. """, summary_method="reflection_with_llm", max_turns=2, )  הפלט די שימושי, והוא נותן לנו בני האדם כמה רעיונות מה לעשות הלאה. אבל זה לא חשוב יותר מאשר פשוט לשאול את אותה שאלה של ChatGPT בהנחיה אחת.  דפוס קצת יותר מתקדם הוא צ'אט רציף. במקרה זה, הגדרנו מספר צ'אטים של שני סוכנים, כאשר הפלט של כל צ'אט של שני סוכנים מועבר לצ'אטים מרובים של שני סוכנים במורד הזרם. תחשוב על העיצוב הזה כמו מנכ"ל שמעביר משימה לעובד ברמה נמוכה יותר, שמקבל החלטות, ואז מעביר את ההחלטות דרך רמות אישור מרובות. קוד לדוגמה עבור עיצוב זה נמצא למטה.   # Define the Orchestrator agent__orchestrator = ConversableAgent( name="Agent__Orchestrator", system_message="You coordinate the analysis of an industry by passing tasks to other agents and summarizing their feedback.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the Brainstorm Agent agent__brainstorm_analyst = ConversableAgent( name="Agent__Brainstorm_Analyst", system_message="You analyze the given industry and generate a list of company types with weak P&L models where AI can deliver substantial improvements. Return this list.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CFO agent__cfo = ConversableAgent( name="Agent__CFO", system_message="You criticize the provided list of company types from a financial POV, identifying weaknesses in margins, capex, opex, inventory, and liquidity. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CTO agent__cto = ConversableAgent( name="Agent__CTO", system_message="You criticize the provided list of company types from a technology POV, identifying risks in tech implementation, cost, complexity, and feasibility. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CMO agent__cmo = ConversableAgent( name="Agent__CMO", system_message="You criticize the provided list of company types from a marketing POV, identifying risks in go-to-market, media costs, and customer acquisition and retention. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", )  דפוס זה מייצר משוב נוקב ומפורט יותר כעת, לאחר שהוא נבדק על ידי כפפה של מומחים. וזה מדגיש את החשיבות של תכנון מערכת הסוכנים הנכונה למשימה הנכונה.  AutoGen מספקת דוגמאות לדפוסי עיצוב רבים ושונים, כולל צ'אטים קבוצתיים וצ'אטים מקוננים, אבל התחום הוא חדשני להפליא, והעיצובים והארכיטקטורות הפוטנציאליים הם בלתי מוגבלים. בדקנו הצעות ומסמכים לבנים עבור:\  Magentic-One: מערכת מרובת סוכנים מבית מיקרוסופט שבה סוכנים, כמו "גולש אינטרנט" או "קודן", עובדים יחד בהנחיית "מתזמר" מרכזי כדי לפתור משימות מורכבות.  פרסונות אנושיות: פרויקט הקשור לסטנפורד שבו סוכנים הוכשרו להתנהג כמו הנושאים האמיתיים של ראיונות איכותניים ולאחר מכן התבקשו לשוחח ולקבל החלטות במגוון נושאים.  פרויקט סיד: סימולציה בקנה מידה גדול של "חברות" סוכנים שבה סוכנים השתתפו במקביל בעבודות, במסחר, בקבלת החלטות ומערכות חברתיות מפותחות, המדמות קהילות דמויות אדם.  זה תחום מרתק ואנחנו מתנסים באופן פעיל במסגרות ודפוסי עיצוב חדשים כדי לספק דלק רקטי לקבלת ההחלטות שלנו וליכולות התפעוליות שלנו באולפני Super Vision. אם זה תחום מעניין עבורכם, אנא פנו אלינו, נשמח ליצור קשר עם מתרגלים חכמים נוספים בתחום.   על Super Vision Studio  Super Vision הוא אולפן מיזמים מונע בינה מלאכותית המתמקד בבניית "מותגים עתידיים".  למידע נוסף, אנא בקר  או ליצור קשר  .   https://supervision.studio/   tim@supervision.studio

האודיו הזה מופק בשפת המקור של הסיפור!

יותר מדי זמן; לקרוא

Make resilience your competitive advantage

סטודיו לסיכון המשתמש במערכות בינה מלאכותיות מרובות סוכנים כדי לקבל החלטות השקעה טובות יותר

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/22/2024)

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/20/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/22/2024)

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/20/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps