Hvordan Multi-Agent LLM’er kan aktivere AI-modeller til at løse komplekse opgaver mere effektivt

De fleste organisationer i dag ønsker at udnytte store sprogmodeller (LLM’er) og implementere beviser på begreber og kunstig intelligens (AI)-agenter for at optimere omkostninger i deres forretningsprocesser og levere nye og kreative brugeroplevelser. Imidlertid er de fleste af disse implementeringer ‘one-offs’. Som følge heraf har virksomhederne svært ved at realisere en afkast på investeringen (ROI) i mange af disse brugstilfælde.

Generativ AI (GenAI) lover at gå ud over software som co-pilot. I stedet for blot at give vejledning og hjælp til en sagkyndig (SME), kan disse løsninger blive selvstændige aktører, der udfører handlinger selvstændigt. For at GenAI-løsninger kan nå dette punkt, må organisationerne give dem yderligere viden og hukommelse, evnen til at planlægge og omplanlægge, samt evnen til at samarbejde med andre agenter for at udføre handlinger.

Da enkeltmodeller er egnet i visse scenarier, fungerer de som co-piloter, åbner agente-arkitekturer døren for LLM’er til at blive aktive komponenter i forretningsprocessautomatisering. Som sådan bør virksomheder overveje at udnytte LLM-baserede multi-agent (LLM-MA)-systemer for at strømline komplekse forretningsprocesser og forbedre ROI.

Hvad er et LLM-MA-System?

Hvad er så et LLM-MA-system? I kort, beskriver denne nye paradigm i AI-teknologi et økosystem af AI-agenter, der ikke er isolerede enheder, men arbejder sammen for at løse komplekse udfordringer.

Beslutninger skal ske inden for en bred vifte af kontekster, ligesom pålidelig beslutningstagning blandt mennesker kræver specialisering. LLM-MA-systemer bygger denne samme ‘kollektive intelligens’, som en gruppe mennesker nyder gennem multiple specialiserede agenter, der interagerer sammen for at opnå et fælles mål. Med andre ord, ligesom en virksomhed samler forskellige eksperter fra forskellige fagområder for at løse et problem, fungerer LLM-MA-systemer på samme måde.

Forretningskrav er for store for en enkelt LLM. Imidlertid kan agenterne udføre opgaver mere effektivt og effektivt, hvis de fordeler kapaciteterne blandt specialiserede agenter med unikke færdigheder og viden, i stedet for at have en LLM, der bærer hele byrden. Multi-agent LLM’er kan endda ‘kontrollere’ hinandens arbejde gennem cross-verification, nedbringende ‘hallucinationer’ for maksimal produktivitet og nøjagtighed.

I særdeleshed bruger LLM-MA-systemer en del-og-erobr-metode til at opnå mere raffineret kontrol over andre aspekter af komplekse AI-aktiverede systemer – navnlig, bedre finjustering til bestemte datasæt, valg af metoder (herunder præ-transformator AI) til bedre forklarbarhed, styring, sikkerhed og pålidelighed samt brug af ikke-AI-værktøjer som en del af en kompleks løsning. Inden for denne del-og-erobr-tilgang udfører agenter handlinger og modtager feedback fra andre agenter og data, hvilket muliggør tilpasning af en udførelsesstrategi over tid.

Muligheder og Anvendelsesområder for LLM-MA-Systemer

LLM-MA-systemer kan effektivt automatisere forretningsprocesser ved at søge gennem strukturerede og ustrukturerede dokumenter, generere kode til at forespørgse datamodeller og udføre anden indholdsgenerering. Virksomheder kan bruge LLM-MA-systemer til flere anvendelsesområder, herunder softwareudvikling, hardware-simulation, spiludvikling (specifikt, verdenudvikling), videnskabelige og farmaceutiske opdagelser, kapitalstyringsprocesser, finansielle og handelsøkonomi osv.

En bemærkelsesværdig anvendelse af LLM-MA-systemer er automatisering af call-/servicecenter. I dette eksempel kan en kombination af modeller og andre programmeringsaktører, der anvender foruddefinerede arbejdsgange og procedurer, automatisere slutbrugerinteraktioner og udføre anmodningstriage via tekst, tale eller video. Desuden kan disse systemer navigere den mest optimale løsningsvej ved at anvende procedurer og SME-viden med personificeringsdata og påkalde Retrieval Augmented Generation (RAG)-type og ikke-LLM-agenter.

På kort sigt vil dette system ikke være fuldt automatiseret – fejl vil ske, og der vil være behov for mennesker i løkken. AI er ikke klar til at replikere menneskelignende oplevelser på grund af kompleksiteten ved at teste fri-flow-conversation mod f.eks. ansvarlig AI-behandling. Imidlertid kan AI træne på tusindvis af historiske supportbilletter og feedback-løkker for at automatisere betydelige dele af call-/servicecenter-operationer, hvilket øger effektiviteten, reducerer billetløsningstid og øger kundetilfredshed.

En anden kraftfuld anvendelse af multi-agent LLM’er er at skabe menneske-AI-samarbejdsgrænseflader for realtids-samtaler, der løser opgaver, der ikke var mulige før. Samtale-sværmeintelligens (CSI), f.eks., er en metode, der muliggør, at 1000 mennesker kan have realtids-samtaler. Specifikt tillader CSI, at små grupper kan dialogere med hinanden, mens forskellige grupper af agenter samtidig summerer samtaletråde. Dette fremmer indholdsspredning over den større gruppe mennesker, hvilket muliggør menneskelig koordination i en hidtil uset skala.

Sikkerhed, Ansvarlig AI og Andre Udfordringer for LLM-MA-Systemer

Trods de spændende muligheder for LLM-MA-systemer, opstår der nogle udfordringer for denne tilgang, når antallet af agenter og størrelsen af deres handlingsrum øges. F.eks. må virksomhederne løse problemet med almindelige hallucinationer, hvilket kræver mennesker i løkken – en designet part må være ansvarlig for agente-systemer, især de med potentiel kritisk indvirkning, såsom automatiseret lægemiddelforskning.

Der vil også være problemer med datasammenblanding, der kan føre til interaktionssammenblanding. Ligeså vil fremtidige LLM-MA-systemer, der kører hundredvis af agenter, kræve mere komplekse arkitekturer, der tager højde for andre LLM-mangler, data og maskinlæringsoperationer.

Desuden må organisationerne løse sikkerhedsproblemer og fremme ansvarlig AI (RAI)-praksis. Flere LLM’er og agenter øger angrebsfladen for alle AI-trusler. Virksomheder må opdele forskellige dele af deres LLM-MA-systemer i specialiserede aktører for at give mere kontrol over traditionelle LLM-risici, herunder sikkerhed og RAI-elementer.

Desuden må løsningerne blive mere komplekse, så også AI-styringsrammerne må blive mere komplekse for at sikre, at AI-produkter er pålidelige (dvs. robuste, ansvarlige, overvågede og forklarbare), resident (dvs. sikre, sikre, private og effektive) og ansvarlige (dvs. retfærdige, etiske, inklusive, bæredygtige og formålsguide). Øget kompleksitet vil også føre til strammere reguleringer, hvilket gør det endnu mere vigtigt, at sikkerhed og RAI er en del af hver forretningscase og løsningsdesign fra starten, samt kontinuerlige politikopdateringer, virksomhedsuddannelse og -undervisning og TEVV-strategier (test, evaluering, verificering og validering).

At Uddrage Den Fulle Værdi fra et LLM-MA-System: Dataovervejelser

For at virksomheder kan uddrage den fulde værdi fra et LLM-MA-system, må de erkende, at LLM’er kun besidder generel domæneviden. Imidlertid kan LLM’er blive værdigenererende AI-produkter, når de afhænger af virksomhedens domæneviden, der normalt består af differentierede dataaktiver, virksomhedsdokumentation, SME-viden og information hentet fra offentlige datakilder.

Virksomheder må skifte fra data-centrisk, hvor data understøtter rapportering, til AI-centrisk, hvor datakilder kombineres for at aktivere AI til at blive en aktør inden for virksomhedens økosystem. Som sådan må virksomhedernes evne til at kuraterer og styre højkvalitetsdataaktiver udvides til disse nye datatyper. Ligeså må organisationerne modernisere deres data- og indsigtforbrugsapproach, ændre deres driftsmodel og introducere styring, der forener data, AI og RAI.

Fra et værktøjspektiv kan GenAI give yderligere hjælp med hensyn til data. Specifikt kan GenAI-værktøjer generere ontologier, oprette metadata, udtrække datasignaler, give mening til komplekse dataschemer, automatisere data-migration og udføre datakonvertering. GenAI kan også bruges til at forbedre datakvaliteten og fungere som styringspecialister samt co-piloter eller semi-autonome agenter. Allerede bruger mange organisationer GenAI til at demokratisere data, som ses i ‘talk-to-your-data’-funktioner.

Kontinuerlig Adoption i Tiden med Hurtig Forandring

En LLM tilføjer ikke værdi eller opnår positiv ROI alene, men som en del af forretningsresultat-fokuserede applikationer. Udfordringen er, at til forskel fra tidligere, hvor de tekniske evner hos LLM’er var noget kendt, opstår der i dag nye evner ugentligt og undertiden dagligt, der understøtter nye forretningsmuligheder. Oven på denne hurtige forandring er der en evigt skiftende regulativ og compliance-landskab, der gør det afgørende for succes at kunne tilpasse sig hurtigt.

Den fleksibilitet, der kræves for at udnytte disse nye muligheder, nødvendiggør, at virksomhederne undergår en mindset-skift fra siloer til samarbejde, der fremmer det højeste niveau af tilpasning på tværs af teknologi, processer og mennesker, samtidig med at de implementerer robust datastyring og ansvarlig innovation. Til sidst er det de virksomheder, der omfavner disse nye paradigmer, der vil lede den næste bølge af digital transformation, mens de undergår en mindset-skift fra siloer til samarbejde, der fremmer det højeste niveau af tilpasning på tværs af teknologi, processer og mennesker, samtidig med at de implementerer robust datastyring og ansvarlig innovation. Til sidst er det de virksomheder, der omfavner disse nye paradigmer, der vil lede den næste bølge af digital transformation, mens de undergår en mindset-skift fra siloer til samarbejde, der fremmer det højeste niveau af tilpasning på tværs af teknologi, processer og mennesker, samtidig med at de implementerer robust datastyring og ansvarlig innovation. Til sidst vil virksomhederne, der undergår en mindset-skift fra siloer til samarbejde, fremme det højeste niveau af tilpasning på tværs af teknologi, processer og mennesker, samtidig med at de implementerer robust datastyring og ansvarlig innovation, være de, der vil lede den næste bølge af digital transformation.