كيف يمكن أن تمكّن نماذج LLM متعددة الوكلاء أن ت解决 المهام المعقدة بشكل أكثر فعالية

ت้องการ معظم المنظمات اليوم استخدام نماذج اللغة الكبيرة (LLM) وتنفيذ براهين مفهومية ووكلاء ذكاء اصطناعي لتحسين التكاليف داخل عملياتها التجارية وتقديم تجارب مستخدم جديدة ومبتكرة. ومع ذلك، فإن معظم هذه التنفيذات هي “مفردة”. ونتيجة لذلك، تعاني الشركات من صعوبة في تحقيق عائد على الاستثمار (ROI) في العديد من هذه الحالات.

يعد الذكاء الاصطناعي التوليدي (GenAI) واعدًا بذهاب أبعد من البرمجيات مثل الطيار الآلي. بدلاً من تقديم الإرشاد والمساعدة إلى خبير الموضوع، يمكن أن تصبح هذه الحلول ممثلي خبير الموضوع، وتنفيذ الإجراءات بشكل مستقل. من أجل أن تصل حلول GenAI إلى هذه النقطة، يجب على المنظمات تزويد彼女م بمعرفة إضافية وذاكرة، والقدرة على التخطيط وإعادة التخطيط، بالإضافة إلى القدرة على التعاون مع وكلاء آخرين لتنفيذ الإجراءات.

بينما تكون النماذج الفردية مناسبة في بعض السيناريوهات، وتعمل كطيارين مساعدين، فإن الهياكل الوكيلية تفتح الباب لنماذج LLM لتكون مكونات نشطة في تطبيق أتمتة العمليات التجارية. وبالتالي، ينبغي للشركات أن تفكر في استخدام أنظمة LLM متعددة الوكلاء (LLM-MA) لتحسين العمليات التجارية المعقدة وزيادة ROI.

ما هي نظام LLM-MA؟

إذاً، ما هو نظام LLM-MA؟ في اختصار، يصف هذا المفهوم الجديد في تكنولوجيا الذكاء الاصطناعي نظامًا بيئيًا من وكلاء الذكاء الاصطناعي، وليس كيانات معزولة، يعملون معًا بشكل مترابط لحل التحديات المعقدة.

ينبغي أن تتخذ القرارات في نطاق واسع من السياقات، تمامًا كما يتطلب اتخاذ القرارات الموثوقة بين البشر التخصص. تبني أنظمة LLM-MA هذا “الذكاء الجماعي” الذي يتمتع به مجموعة من البشر من خلال وكلاء متخصصين متعددين يتفاعلون معًا لتحقيق هدف مشترك. وبعبارة أخرى، تمامًا كما تجمع الشركات بين خبراء مختلفين من مجالات مختلفة لحل مشكلة واحدة، تعمل أنظمة LLM-MA على نفس النحو.

تكون متطلبات الأعمال كبيرة جدًا بالنسبة لنظام LLM واحد. ومع ذلك، من خلال توزيع القدرات بين وكلاء متخصصين ذوي مهارات وخبرات فريدة بدلاً من وضع نظام LLM واحد لتحمل كل العبء، يمكن للوكلاء إكمال المهام بشكل أكثر كفاءة وفعالية. يمكن لوكلاء LLM المتعددين حتى “مراجعة” عمل بعضهم البعض من خلال التحقق المتبادل، تقليل “الوهم” لتحقيق أقصى قدر من الإنتاجية والدقة.

على وجه الخصوص، تستخدم أنظمة LLM-MA أسلوب القسم والتسلسل لتحقيق سيطرة أكثر دقة على جوانب أخرى من الأنظمة المعقدة المعتمدة على الذكاء الاصطناعي – ولا سيما التحسين الدقيق لأجزاء معينة من مجموعات البيانات، واختيار الأساليب (بما في ذلك الذكاء الاصطناعي قبل تحويله) من أجل تحسين القدرة على تفسيرها، والحوكمة، والأمان، والموثوقية، واستخدام أدوات غير الذكاء الاصطناعي كجزء من حل معقد. في هذا الأسلوب القسم والتسلسل، يؤدي الوكلاء إجراءات ويستلمون обратًا من وكلاء آخرين وبيانات، مما يسمح بتبني استراتيجية تنفيذ مع مرور الوقت.

الفرص والحالات التي يمكن تطبيقها لأنظمة LLM-MA

يمكن لأنظمة LLM-MA توفير أتمتة فعالة للعمليات التجارية من خلال البحث في المستندات المنظمة وغير المنظمة، وإنشاء شفرة لاستعلام نماذج البيانات، وتنفيذ عمليات أخرى لإنشاء المحتوى. يمكن للشركات استخدام أنظمة LLM-MA في عدة حالات، بما في ذلك تطوير البرمجيات، و模拟 الأجهزة، وتنمية الألعاب (خاصةً تطوير العالم)، والاكتشافات العلمية والصيدلانية، وعمليات إدارة رأس المال، والاقتصاد المالي والتجاري، وغيرها.

تعتبر واحدة من التطبيقات المهمة لأنظمة LLM-MA أتمتة مركز الخدمة. في هذا المثال، يمكن لمجموعة من النماذج والبرامج الأخرى التي تستخدم سير عمل وخطوات محددة مسبقًا توفير أتمتة التفاعلات مع المستخدمين وتنفيذ التriage للطلبات من خلال النص أو الصوت أو الفيديو. بالإضافة إلى ذلك، يمكن لهذه الأنظمة العثور على مسار الحل الأمثل من خلال استخدام المعرفة الإجرائية وخبرة خبير الموضوع مع بيانات التخصيص واستدعاء وكلاء من نوع RAG ووكلاء غير LLM.

في المدى القصير، لن يكون هذا النظام مُكملًا تمامًا – سيحدث أخطاء، وستكون هناك حاجة إلى وجود بشر في الحلقة. الذكاء الاصطناعي ليس جاهزًا لتحقيق تجارب شبيهة بتجارب البشر بسبب تعقيد اختبار المحادثة الحرة مقابل، على سبيل المثال، مخاوف الذكاء الاصطناعي المسؤول. ومع ذلك، يمكن للذكاء الاصطناعي التدرب على آلاف التذاكر الدعمية والهياكل التغذوية لتحقيق أتمتة أجزاء كبيرة من عمليات مركز الخدمة، مما يزيد من الكفاءة ويقلل من وقت إصلاح التذاكر ويزيد من رضا العملاء.

تعتبر إحدى التطبيقات القوية لأنظمة LLM المتعددة هي إنشاء واجهات تعاون بين البشر والذكاء الاصطناعي لحل المهام التي لم تكن ممكنة من قبل. على سبيل المثال، يسمح الذكاء السوي لمحادثات الجماعات بألف شخص بالحوار في الوقت الفعلي.

الأمان والذكاء الاصطناعي المسؤول والتحديات الأخرى لأنظمة LLM-MA

على الرغم من الفرص المثيرة لأنظمة LLM-MA، تظهر بعض التحديات مع زيادة عدد الوكلاء وحجم مساحات الإجراءات. على سبيل المثال، سيتعين على الشركات معالجة مشكلة “الوهم” البسيط، والتي ستحتاج إلى وجود بشر في الحلقة – يجب أن يكون هناك طرف مسؤول عن أنظمة الوكيل، خاصة تلك التي لها تأثير حرج، مثل اكتشاف الأدوية الآلي.

ستكون هناك أيضًا مشاكل مع انحياز البيانات، والتي يمكن أن تتراكم في الانحياز التفاعلي. وبالمثل، ستحتاج أنظمة LLM-MA المستقبلية التي تعمل بمئات الوكلاء إلى هياكل معقدة أكثر مع مراعاة مخاوف LLM الأخرى، وعمليات البيانات والتعلم الآلي.

يتعين على المنظمات أيضًا معالجة مخاوف الأمان وتعزيز ممارسات الذكاء الاصطناعي المسؤول (RAI). يزيد عدد LLM ووكلاء الذكاء الاصطناعي من مساحة الهجوم لجميع التهديدات التي تهدد الذكاء الاصطناعي. يجب على الشركات تفكيك أجزاء مختلفة من أنظمة LLM-MA إلى ممثلين متخصصين لتوفير المزيد من السيطرة على مخاطر LLM التقليدية، بما في ذلك الأمان ومخاوف RAI.

علاوة على ذلك، مع زيادة تعقيد الحلول، يجب أن يصبح إطار الحوكمة للذكاء الاصطناعي أكثر تعقيدًا لضمان أن تكون منتجات الذكاء الاصطناعي موثوقة (أي متينة، واضحة، ومحسوبة، ويمكن تفسيرها)، ومستقرة (أي آمنة، وخاصة، وفعالة)، ومسؤولة (أي عادلة، واخلاقي، وشمولية، ومستدامة، وغرضية). سيتطلب التعقيد المتزايد أيضًا تشديد اللوائح، مما يجعل من أكثر أهمية أن تكون الأمان ومخاوف RAI جزءًا من كل حالة تجارية وتصميم حل منذ البداية، بالإضافة إلى تحديثات السياسات المستمرة، والتدريب والتعليم الشركي، و استراتيجيات الاختبار والتقييم والتحقق والتحقق (TEVV).

استخراج القيمة الكاملة من نظام LLM-MA: اعتبارات البيانات

为了 أن تستخرج الشركات القيمة الكاملة من نظام LLM-MA، يجب أن تعترف بأن نماذج LLM، بحد ذاتها، تمتلك فقط معرفة عامة بالمنطقة. ومع ذلك، يمكن لنماذج LLM أن تصبح منتجات ذكاء اصطناعي قيمة عندما تعتمد على معرفة نطاق الشركة، والتي تتكون عادةً من أصول بيانات متميزة، ووثائق الشركات، وخبرة خبير الموضوع، ومعلومات مستخرجة من مصادر البيانات العامة.

يتعين على الشركات التحول من التركيز على البيانات، حيث تدعم البيانات التقارير، إلى التركيز على الذكاء الاصطناعي، حيث تجمع مصادر البيانات لتمكين الذكاء الاصطناعي من أن يصبح ممثلاً داخل نظام الشركة. وبالتالي، يجب على الشركات أن تمتد قدرةها على تحسين وتحليل أصول البيانات الجيدة إلى أنواع البيانات الجديدة. ويتعين على المنظمات أيضًا تحديث نهجها لاستهلاك البيانات والرؤى، وتغيير نموذج التشغيل، وإدخال الحوكمة التي توحد البيانات والذكاء الاصطناعي ومخاوف RAI.

من منظور الأدوات، يمكن للذكاء الاصطناعي التوليدي تقديم المساعدة الإضافية فيما يتعلق بالبيانات. على وجه الخصوص، يمكن لأدوات GenAI توليد الأنطولوجيا، وإنشاء البيانات الوصفية، واستخراج إشارات البيانات، وفهمنا مخططات البيانات المعقدة، وتنفيذ هجرة البيانات، وتنفيذ تحويل البيانات. يمكن أيضًا استخدام GenAI لتحسين جودة البيانات، ويمكنها أن تعمل كأخصائي حوكمة أو وكلاء شبه مستقلين. بالفعل، تستخدم العديد من المنظمات GenAI لمساعدة الديمقراطية في البيانات، كما هو موضح في خاصية “تحدث مع بياناتك”.

التعلم المستمر في عصر التغيير السريع

لا يضيف نظام LLM قيمة أو يحقق عائدًا إيجابيًا على الاستثمار بمفرده، بل كجزء من تطبيقات محددة بالنتائج التجارية. التحدي هو أن القدرات التكنولوجية لنظام LLM، على عكس الماضي، عندما كانت القدرات التكنولوجية لنظام LLM معروفة إلى حد ما، تظهر اليوم فرصًا تجارية جديدة يوميًا وأحيانًا كل ساعة، مما يجعل من الضروري القدرة على التكيف بسرعة لتحقيق النجاح.

تتطلب المرونة اللازمة للاستفادة من هذه الفرص الجديدة أن تخضع الشركات إلى تحول في العقلية من الحواصل إلى التعاون، وتعزيز أعلى مستوى من المرونة عبر التكنولوجيا والعمليات والأشخاص مع تنفيذ إدارة بيانات قوية وابتكار مسؤول. في النهاية، ستقود الشركات التي تتبنى هذه المفاهيم الجديدة الموجة القادمة من التحول الرقمي، حيث تسير الشركات نحو التكيف المستمر في عصر التغيير السريع، وتخضع لتحول في العقلية من الحواصل إلى التعاون، وتعزز أعلى مستوى من المرونة عبر التكنولوجيا والعمليات والأشخاص، مع تنفيذ إدارة بيانات قوية وابتكار مسؤول. في النهاية، ستقود الشركات التي تتبنى هذه المفاهيم الجديدة الموجة القادمة من التحول الرقمي.