W jaki sposób systemy wieloagentowe zmieniają architekturę LLM

Biorąc pod uwagę szybkość, z jaką ewoluuje sztuczna inteligencja (AI), często odnosimy wrażenie, że punkty zwrotne w jej rozwoju zdarzają się regularnie.

Współczesne Duże Modele Językowe (LLM) są w stanie dokonywać niesamowitych wyczynów w zakresie przetwarzania języka naturalnego, lecz często mają problemy, gdy stają przed skomplikowanymi, wieloetapowymi zadaniami wymagającymi rozumowania, w których dokładność i przejrzystość nie podlegają negocjacjom.

Skłonność do nieprzewidywalnych halucynacji i niespójna zdolność do radzenia sobie ze złożonym, wieloetapowym rozumowaniem sprawiają, że te jednoagentowe systemy sztucznej inteligencji są zawodne w sytuacjach, w których dokładność, przejrzystość i zdolność adaptacji mają kluczowe znaczenie.

Niektóre modele sprawdzają się lepiej niż inne w danym zadaniu, ale wybranie najlepszego modelu spełniającego Twoje cele może czasem przypominać rzucanie kością.

Wielu ekspertów jest zmęczonych ciągłym udoskonalaniem wyników swoich prac, ale wymaga to gruntownego przemyślenia na nowo sposobu działania studiów LLM. Johnson James Kanjirathinkal , Współzałożyciel i wiceprezes ds. produktu w Umiejętnie , platforma rekrutacyjna i wdrażająca, która zastępuje przestarzałe metody rekrutacji oparte na referencjach ocenami opartymi na sztucznej inteligencji i skupionymi na umiejętnościach, poddaje w wątpliwość powód, dla którego programy LLM w ogóle opierają się na systemie jednomodelowym.

Nowa koncepcja wieloagentowych systemów sztucznej inteligencji jest już wdrożona w Skillfully, ale to tylko jeden z aspektów potencjału wieloagentowej sztucznej inteligencji w zakresie ponownego rozwoju LLM dla wszelkiego rodzaju zastosowań w świecie rzeczywistym.

Podejście to koncentruje się na rozproszonym poznaniu poprzez wieloagentowe systemy sztucznej inteligencji, które odzwierciedlają sposób funkcjonowania zespołów ludzkich w środowisku zawodowym.

Ograniczenia LLM-ów jednoagentowych w produkcji

Mimo swojej wszechstronności, jednomodelowe programy LLM są zasadniczo ograniczone przez architekturę projektu, gdy są stosowane do podejmowania decyzji biznesowych o dużym znaczeniu.

Mimo zaawansowanego zliczania parametrów i obszernych danych treningowych, funkcjonują one jako ujednolicone systemy z kilkoma wrodzonymi ograniczeniami technicznymi:

• Niemożność skutecznego krzyżowego weryfikowania własnych wyników
• Brak specjalistycznego skupienia na różnych podzadaniach poznawczych
• Ograniczona zdolność do zachowania spójności w złożonych łańcuchach rozumowania
• Niewystarczająca przejrzystość w zakresie sposobu wyciągania wniosków

Na przykład każda firma chcąca dotrzymać kroku dzisiejszemu rynkowi będzie potrzebować AI, która będzie w stanie uczciwie i dokładnie ocenić zdolności kandydatów. Ludzcy eksperci ds. rekrutacji polegają na połączeniu danych i dobrze rozwiniętej profesjonalnej intuicji, podczas gdy tradycyjne systemy AI, poproszone o zrobienie tego samego, będą miały tendencję do używania poprzednich tytułów zawodowych lub referencji edukacyjnych jako zastępczych dla zdolności, zamiast oceniać rzeczywiste umiejętności.

W rezultacie sztuczna inteligencja może generować niedokładne lub mylące wyniki, gdy musi podejmować decyzje na podstawie pośrednich sygnałów, a nie konkretnych danych dotyczących wydajności.

Co być może ważniejsze, brak solidnych mechanizmów weryfikacji krzyżowej prowadzi do wyników, których nie da się wyjaśnić, a ramy oceny są niejasne. W rezultacie menedżerowie ds. rekrutacji muszą radzić sobie z niezrozumiałymi zaleceniami, podczas gdy najbardziej potrzebują praktycznych wskazówek.

Aby sztuczna inteligencja mogła być naprawdę przydatna w biznesie, musi umożliwiać podejmowanie przejrzystych i praktycznych decyzji, a nie tylko powierzchowne przewidywania.

Wieloagentowe rozwiązanie problemu niuansów LLM

Kiedy podczas opracowywania Skillfully stanął przed tym samym problemem, Kanjirathinkal skupił się na stworzeniu architektury LLM, która myśli inaczej w jednym kluczowym, podstawowym podejściu. Zamiast polegać na pojedynczym modelu do obsługi wszystkiego, wieloagentowe przepływy pracy rozdzielają zadania pomiędzy wyspecjalizowanych agentów AI.

Agenci ci współpracują ze sobą, a każdy z nich koncentruje się na innej funkcji, np. zrozumieniu kontekstu, wykonywaniu zadań lub kontroli jakości, aby dostarczać dokładniejsze i bardziej wiarygodne wyniki.

Ten nowy sposób myślenia jest już dostępny na platformie rekrutacyjnej Skillfully, która wykorzystuje orkiestrowane systemy AI multi-agent, aby zapewnić bardziej niezawodny, zorientowany na człowieka proces rekrutacji. Agenci AI Skillfully oceniają umiejętności dynamicznie, analizując, jak poszczególne osoby radzą sobie w symulowanych środowiskach. Dzięki temu, że wielu agentów AI krzyżowo weryfikuje spostrzeżenia, system znacznie zmniejsza ryzyko halucynacji i błędnych rekomendacji, zapewniając jaśniejszy, dokładniejszy obraz możliwości kandydatów.

Kanjirathinkal pracował również nad tym, aby wyjaśnialność stała się kamieniem węgielnym systemu. Zalecenia dotyczące zatrudniania Skillfully są poparte wstępnie zdefiniowanymi rubrykami oceny, przejrzystymi mechanizmami punktacji i szczegółowymi uzasadnieniami dostarczonymi przez wielu agentów LLM.

Podobnie jak ekspert ds. rekrutacji, rekomendacje Skillfully są obronne i pełne niuansów. W przeciwieństwie do ekspertów, rekomendacje te są wyposażone w solidne łagodzenie stronniczości poprzez wieloagentowe kontrole krzyżowe oparte na spójnych ramach oceny, które tworzą jasne ślady audytu. Ta przejrzystość na następnym poziomie wyprzedza również pojawiające się przepisy dotyczące sztucznej inteligencji, które mogą zaskoczyć mniej niuansowych LLM-ów nieprzygotowanych.

Wyzwania techniczne i przyszłe kierunki rozwoju

Mimo swoich zalet, wdrażanie systemów wieloagentowych wiąże się z nowymi trudnościami technicznymi:

• Narzut koordynacyjny między agentami
• Możliwość wystąpienia rozbieżności pomiędzy modelami specjalistycznymi
• Potrzeba zaawansowanych warstw orkiestracji
• Zwiększone wymagania obliczeniowe

Te wyzwania stanowią kolejną granicę dla architektury AI. Jak Kanjirathinkal wykazał w Skillfully, korzyści z rozproszonego poznania przewyższają te przeszkody wdrożeniowe, gdy stawką są ludzkie wyniki, takie jak uczciwe praktyki rekrutacyjne.

Wieloagentowe przepływy pracy dla mniej monolitycznej przyszłości

Johnson James Kanjirathinkal jest przekonany, że systemy sztucznej inteligencji jutra będą wyspecjalizowane tak, aby uzupełniać ludzkie możliwości w zastosowaniach z prawdziwego świata, a sukces przepływów pracy obejmujących wiele agentów okaże się kluczowy w kontekście testowania nowych modułowych, współpracujących systemów sztucznej inteligencji, które mogą odnieść sukces w wielu sferach.

Uważa, że AI musi wyjść poza monolityczne modele jednoagentowe, aby skutecznie rozwiązywać problemy w świecie rzeczywistym. Wieloagentowe przepływy pracy oferują bardziej niezawodną, skalowalną i interpretowalną alternatywę, która dostosowuje AI do potrzeb człowieka, zamiast zmuszać firmy do dostosowywania się do ograniczeń AI.

Systemy wieloagentowe wyobrażają sobie AI mniej jako pojedynczego operatora, a bardziej jako zespół specjalistów, którzy mogą kwestionować, udoskonalać i rozwijać swoje spostrzeżenia. Kanjirathinkal zademonstrował jedno zastosowanie tego w Skillfully, zmieniając to, co kiedyś było sztywnym, nieprzejrzystym procesem, w coś bardziej elastycznego i sprawiedliwego.

Taka sama zmiana jest możliwa wszędzie tam, gdzie sztuczna inteligencja musi podejmować istotne decyzje.