S rýchlym tempom, akým sa umelá inteligencia (AI) vyvíja, sa body zlomu v jej vývoji často zdajú, akoby sa diali neustále.  Dnešné veľké jazykové modely (LLM) sa stali schopnými neuveriteľných výkonov, pokiaľ ide o spracovanie prirodzeného jazyka, ale často sa potknú, keď čelia zložitým viackrokovým úlohám uvažovania, pri ktorých sa nedá vyjednávať o presnosti a transparentnosti.  Ich tendencia k nepredvídateľným halucináciám a nekonzistentná schopnosť zvládnuť zložité, viacstupňové uvažovanie spôsobili, že tieto systémy umelej inteligencie s jedným agentom sú nespoľahlivé v scenároch, kde je nevyhnutná presnosť, transparentnosť a prispôsobivosť.  Niektoré modely sú pre danú úlohu lepšie ako iné, no vybrať si to najlepšie, aby ste splnili svoje ciele, sa niekedy môže zdať ako hádzanie kockou.  Mnohí odborníci sú unavení z dolaďovania výstupov svojich výsledkov, ale to si vyžaduje zásadné prehodnotenie toho, ako fungujú LLM.  , spoluzakladateľ a viceprezident pre produkt na  , platforma pre nábor a nástup, ktorá nahrádza zastarané nábory založené na povereniach hodnoteniami založenými na AI a zameraných na zručnosti, kladie otázku, prečo LLM vôbec bežia na systéme s jedným modelom.   Johnson James Kanjirathinkal   Zručne  Nový koncept systémov umelej inteligencie s viacerými agentmi je už v Skillally zavedený, ale toto je len jeden uhol pohľadu na potenciál umelej inteligencie s viacerými agentmi znovu rozvinúť LLM pre všetky druhy aplikácií v reálnom svete.  Tento prístup sa zameriava na distribuované poznanie prostredníctvom systémov umelej inteligencie s viacerými agentmi, ktoré odzrkadľujú fungovanie ľudských tímov v profesionálnom prostredí.   Obmedzenie LLM s jedným agentom vo výrobe  Akokoľvek môžu byť LLM s jedným modelom univerzálne, pri aplikovaní na dôležité obchodné rozhodnutia sú zásadne obmedzené svojou architektúrou dizajnu.  Napriek sofistikovanému počtu parametrov a rozsiahlym tréningovým údajom fungujú ako jednotné systémy s niekoľkými vlastnými technickými obmedzeniami:  Neschopnosť efektívne krížovo overovať svoje vlastné výstupy  Nedostatok špecializovaného zamerania na rôzne kognitívne podúlohy  Obmedzená schopnosť udržiavať konzistentnosť v zložitých reťazcoch uvažovania  Nedostatočná transparentnosť pri dosahovaní záverov  Napríklad každá firma, ktorá chce držať krok na dnešnom trhu, bude vyžadovať AI, ktorá dokáže spravodlivo a presne posúdiť schopnosti kandidátov. Odborníci na nábor ľudí sa spoliehajú na kombináciu údajov a dobre vycibrenú profesionálnu intuíciu, zatiaľ čo tradičné systémy umelej inteligencie, od ktorých sa požaduje, aby robili to isté, majú tendenciu používať minulé pracovné tituly alebo vzdelávacie poverenia ako zástupné znaky schopností a nie hodnotiť skutočné zručnosti.  Výsledkom je, že umelá inteligencia môže generovať nepresné alebo zavádzajúce výsledky, keď je požiadaná, aby sa rozhodovala skôr na základe nepriamych signálov než konkrétnych údajov o výkonnosti.  Možno ešte dôležitejšie je, že nedostatok robustných mechanizmov krížového overovania vedie k výsledkom, ktoré nie sú dostatočne vysvetliteľné a jasné rámce hodnotenia, čo necháva manažérov najímania s nevyspytateľnými odporúčaniami, keď to, čo najviac potrebujú, je praktické usmernenie.  Aby bola AI skutočne užitočná v podnikaní, musí poskytovať akcieschopné a transparentné rozhodovanie, a nie len predpovede na povrchovej úrovni.   Multi-Agentové riešenie problému LLM Nuance Keď bol Kanjirathinkal konfrontovaný s rovnakým problémom pri vývoji Skillfully, zameral sa na vytvorenie architektúry LLM, ktorá myslí inak v jednom kľúčovom základnom spôsobe; Namiesto spoliehania sa na jediný model, ktorý všetko zvládne, multiagentové pracovné postupy rozdeľujú úlohy medzi špecializovaných agentov AI.  Títo agenti spolupracujú, pričom každý sa zameriava na odlišnú funkciu, ako je kontextové porozumenie, vykonávanie úloh alebo kontrola kvality, aby dosiahli presnejšie a spoľahlivejšie výsledky.  Tento nový spôsob myslenia už funguje na náborovej platforme spoločnosti Skillfully, ktorá využíva organizované systémy umelej inteligencie s viacerými agentmi na poskytovanie spoľahlivejšieho procesu náboru zameraného na človeka. Agenti AI spoločnosti Skillfully dynamicky hodnotia zručnosti a analyzujú výkon jednotlivcov v simulovaných prostrediach. Tým, že viacero agentov AI krížovo overuje poznatky, systém výrazne znižuje riziko halucinácií a chybných odporúčaní a poskytuje jasnejší a presnejší obraz o schopnostiach kandidátov.  Kanjirathinkal tiež pracoval na tom, aby sa vysvetliteľnosť stala základným kameňom systému. Odporúčania pre prijímanie zamestnancov spoločnosti Skillfully sú podporené preddefinovanými hodnotiacimi rubrikami, transparentnými mechanizmami bodovania a podrobnými zdôvodneniami poskytnutými viacerými agentmi LLM.  Rovnako ako odborník na nábor ľudí, odporúčania spoločnosti Skillfully sú obhájiteľné a jemné. Na rozdiel od ľudských expertov tieto odporúčania prichádzajú s robustným zmierňovaním zaujatosti prostredníctvom krížových kontrol viacerých agentov založených na konzistentných hodnotiacich rámcoch, ktoré vytvárajú jasné kontrolné záznamy. Táto transparentnosť ďalšej úrovne tiež predbieha vznikajúce predpisy o umelej inteligencii, ktoré môžu zastihnúť menej nuansované LLM nepripravené.   Technické výzvy a budúci vývoj  Napriek svojim výhodám zavádza implementácia multiagentových systémov nové technické komplikácie:  Koordinačná réžia medzi agentmi  Možnosť nezhody medzi špecializovanými modelmi  Potreba sofistikovaných orchestračných vrstiev  Zvýšené výpočtové požiadavky  Tieto výzvy predstavujú ďalšiu hranicu architektúry AI. Ako ukázal Kanjirathinkal na Skillfully, výhody distribuovaného poznania prevažujú nad týmito implementačnými prekážkami, keď v stávke sú ľudské výsledky, ako napríklad spravodlivé náborové postupy.   Multiagentné pracovné postupy pre menej monolitickú budúcnosť  Johnson James Kanjirathinkal je presvedčený, že systémy umelej inteligencie zajtrajška budú špecializované tak, aby dopĺňali ľudské schopnosti v aplikáciách v reálnom svete, s úspechom multiagentových pracovných postupov pri najímaní kritického testovacieho prípadu pre nové modulárne, kolaboratívne systémy AI, ktoré môžu uspieť vo viacerých sférach.  Verí, že AI sa musí posunúť za hranice monolitických modelov s jedným agentom, aby mohla efektívne riešiť problémy skutočného sveta. Multiagentové pracovné postupy ponúkajú spoľahlivejšiu, škálovateľnejšiu a interpretovateľnejšiu alternatívu, ktorá zosúlaďuje AI s ľudskými potrebami a nenúti podniky, aby sa prispôsobovali obmedzeniam AI.  Multiagentové systémy pretvárajú AI menej ako jediného operátora a viac ako tím špecialistov, ktorí môžu spochybňovať, vylepšovať a stavať na vzájomných postrehoch. Kanjirathinkal demonštroval jedno použitie tohto v Skillfully, premenil to, čo bolo kedysi strnulý, nepriehľadný proces na niečo flexibilnejšie a spravodlivejšie.  Rovnaký posun je možný všade, kde sa od AI žiada, aby robila rozhodnutia, na ktorých záleží.

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

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Ako multiagentové systémy prehodnocujú architektúru LLM

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

THE CRAB-SPIDER

16 Best Sklearn Datasets for Building Machine Learning Models

When Blood Told

112 Stories To Learn About Hackernoon Community

THE CRAB-SPIDER

16 Best Sklearn Datasets for Building Machine Learning Models

When Blood Told

112 Stories To Learn About Hackernoon Community

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps