Kaip kelių agentų sistemos permąsto LLM architektūrą

Sparčiai vystantis dirbtiniam intelektui (DI), jo vystymosi posūkiai dažnai atrodo taip, lyg jie įvyktų nuolat.

Šiandieniniai didelių kalbų modeliai (LLM) išaugo taip, kad galėtų atlikti neįtikėtinus žygdarbius natūralios kalbos apdorojimo srityje, tačiau jie dažnai suklumpa, kai susiduria su sudėtingomis, daugiapakopėmis samprotavimo užduotimis, kai tikslumas ir skaidrumas yra nediskutuotini.

Jų polinkis į nenuspėjamas haliucinacijas ir nenuoseklus gebėjimas tvarkyti sudėtingus, daugiapakopius samprotavimus padarė šias vieno agento AI sistemas nepatikimos scenarijuose, kai tikslumas, skaidrumas ir pritaikomumas yra labai svarbūs.

Kai kurie modeliai yra geresni už kitus bet kokiai užduočiai atlikti, tačiau renkantis geriausią, kad pasiektumėte savo tikslus, kartais atrodo, kad mesti kauliukus.

Daugelis ekspertų pavargo nuo tikslaus rezultatų derinimo, tačiau tam reikia iš esmės iš naujo įsivaizduoti, kaip veikia LLM. Johnsonas Jamesas Kanjirathinkalas , vienas iš įkūrėjų ir produkto viceprezidentas Sumaniai , įdarbinimo ir įdarbinimo platforma, pakeičianti pasenusią, kredencialais pagrįstą samdymą į dirbtinį intelektą pagrįstą, į įgūdžius orientuotą vertinimą, kelia klausimą, kodėl LLM pirmiausia veikia pagal vieno modelio sistemą.

Naujoji kelių agentų AI sistemų koncepcija jau įdiegta „Skillfully“, tačiau tai tik vienas iš kelių agentų AI galimybių atgaivinti LLM visoms realaus pasaulio programoms.

Šis metodas orientuotas į paskirstytą pažinimą per kelių agentų AI sistemas, kurios atspindi, kaip žmonių komandos veikia profesionalioje aplinkoje.

Vieno agento LLM gamybos apribojimas

Kad ir kaip būtų universalūs, vieno modelio LLM iš esmės riboja jų dizaino architektūra, kai jie taikomi svarbiems verslo sprendimams.

Nepaisant sudėtingų parametrų skaičiaus ir gausių mokymo duomenų, jos veikia kaip vieningos sistemos su keliais būdingais techniniais apribojimais:

• Nesugebėjimas veiksmingai kryžmiškai patikrinti savo rezultatus
• Trūksta specializuoto dėmesio įvairioms pažinimo dalinėms užduotims
• Ribotas gebėjimas išlaikyti nuoseklumą sudėtingose samprotavimo grandinėse
• Nepakankamas skaidrumas, kaip daromos išvados

Pavyzdžiui, bet kokiam verslui, norinčiam neatsilikti nuo šiandienos rinkos, reikės dirbtinio intelekto, kuris galėtų teisingai ir tiksliai įvertinti kandidatų galimybes. Žmonių samdymo ekspertai pasikliauja daugybe duomenų ir gerai ištobulinta profesine intuicija, o tradicinės dirbtinio intelekto sistemos, kurių prašoma to paties, bus linkusios naudoti ankstesnius pareigų pavadinimus ar išsilavinimo pažymėjimus kaip gebėjimus, o ne vertinti tikrus įgūdžius.

Todėl AI gali sukurti netikslius ar klaidinančius rezultatus, kai jo prašoma priimti sprendimus remiantis netiesioginiais signalais, o ne konkrečiais našumo duomenimis.

Galbūt dar svarbiau yra tai, kad tvirtų kryžminio patikrinimo mechanizmų trūkumas lemia, kad rezultatai nėra paaiškinami ir nėra aiškios vertinimo sistemos, todėl samdomi vadovai gali pateikti neįmintų rekomendacijų, kai jiems labiausiai reikia praktinių patarimų.

Kad dirbtinis intelektas būtų tikrai naudingas versle, jis turi teikti veiksmingą, skaidrų sprendimų priėmimą, o ne tik paviršiaus lygio prognozes.

Daugiaagentiškas LLM niuanso problemos sprendimas

Kai jis susidūrė su ta pačia problema kurdamas Skillfully, Kanjirathinkal sutelkė dėmesį į LLM architektūros kūrimą, kuri vienu pagrindiniu būdu mąsto kitaip; Užuot pasikliavę vienu modeliu, kad viskas būtų tvarkoma, kelių agentų darbo eigos paskirsto užduotis tarp specializuotų AI agentų.

Šie agentai dirba kartu, kiekvienas sutelkdamas dėmesį į atskirą funkciją, pvz., konteksto supratimą, užduočių vykdymą arba kokybės kontrolę, kad gautų tikslesnius ir patikimesnius rezultatus.

Šis naujas mąstymo būdas jau veikia Skillfully samdymo platformoje, kuri naudoja suderintas kelių agentų AI sistemas, kad būtų užtikrintas patikimesnis, į žmogų orientuotas įdarbinimo procesas. Skillfully dirbtinio intelekto agentai dinamiškai vertina įgūdžius, analizuodami, kaip asmenys veikia imituotoje aplinkoje. Turėdama kelis dirbtinio intelekto agentus, kurie kryžmiškai tikrina įžvalgas, sistema žymiai sumažina haliucinacijų ir klaidingų rekomendacijų riziką, suteikdama aiškesnį ir tikslesnį kandidato galimybių vaizdą.

Kanjirathinkal taip pat stengėsi, kad paaiškinamumas taptų kertiniu sistemos akmeniu. Įgudusios įdarbinimo rekomendacijos yra paremtos iš anksto nustatytomis vertinimo rubrikomis, skaidriais balų skaičiavimo mechanizmais ir išsamiais pagrindimais, kuriuos pateikia keli LLM agentai.

Kaip ir žmonių įdarbinimo eksperto, „Skillfully“ rekomendacijos yra pateisinamos ir turi niuansų. Skirtingai nuo žmonių ekspertų, šios rekomendacijos pateikiamos stipriai sumažinant šališkumą, naudojant kelių agentų kryžmines patikras, pagrįstas nuosekliomis vertinimo sistemomis, kurios sukuria aiškias audito sekas. Šis naujo lygio skaidrumas taip pat lenkia naujas AI taisykles, kurios gali sugauti mažiau niuansus turinčius LLM nepasiruošusius.

Techniniai iššūkiai ir ateities pokyčiai

Nepaisant pranašumų, kelių agentų sistemų diegimas sukelia naujų techninių sudėtingumo:

• Pridėtinės išlaidos tarp agentų
• Galimi nesutarimai tarp specializuotų modelių
• Reikalingi sudėtingi orkestravimo sluoksniai
• Padidinti skaičiavimo reikalavimai

Šie iššūkiai yra kita AI architektūros riba. Kaip Kanjirathinkal įrodė „Skillfully“, paskirstyto pažinimo nauda nusveria šias įgyvendinimo kliūtis, kai statymai susiję su žmogiškaisiais rezultatais, pavyzdžiui, sąžininga samdymo praktika.

Kelių agentų darbo eigos ne tokiai monolitinei ateičiai

Johnsonas Jamesas Kanjirathinkalas yra įsitikinęs, kad ateities dirbtinio intelekto sistemos bus specializuotos, kad papildytų žmogaus galimybes realaus pasaulio taikomosiose programose, o kelių agentų darbo eigos sėkmingai pasamdytų kritinį testą naujoms modulinėms, bendradarbiaujančioms AI sistemoms, kurios gali būti sėkmingos įvairiose srityse.

Jis mano, kad dirbtinis intelektas turi peržengti monolitinius, vieno agento modelius, kad galėtų veiksmingai spręsti realias problemas. Kelių agentų darbo eigos siūlo patikimesnę, keičiamo dydžio ir interpretuojamą alternatyvą, kuri suderina AI su žmogaus poreikiais, o ne verčia įmones prisitaikyti prie AI apribojimų.

Kelių agentų sistemos iš naujo įsivaizduoja AI ne kaip vieną operatorių, o labiau kaip specialistų komandą, kuri gali mesti iššūkį, tobulinti ir remtis viena kitos įžvalgomis. Kanjirathinkal pademonstravo vieną šio panaudojimo būdą knygoje „Skillfully“, paversdamas tai, kas kadaise buvo nelankstus, neskaidrus procesas į lankstesnį ir teisingesnį.

Tas pats pokytis galimas visur, kur AI prašoma priimti svarbius sprendimus.