Wie Multi-Agent-LLMs es AI-Modellen ermöglichen, komplexe Aufgaben effektiver zu lösen

Die meisten Organisationen möchten heute große Sprachmodelle (LLMs) und künstliche Intelligenz (KI)-Agenten implementieren, um Kosten in ihren Geschäftsprozessen zu optimieren und neue, kreative Benutzererlebnisse zu bieten. Allerdings sind die meisten dieser Implementierungen “One-Offs”. Als Ergebnis haben Unternehmen Schwierigkeiten, eine Rendite auf ihre Investitionen (ROI) in vielen dieser Anwendungsfälle zu erzielen.

Generative KI (GenKI) verspricht, über Software wie Co-Pilot hinauszugehen. Anstatt lediglich Anleitung und Hilfe für einen Fachmann zu bieten, könnten diese Lösungen zu selbstständigen Akteuren werden, die autonom handeln. Um GenKI-Lösungen zu diesem Punkt zu bringen, müssen Unternehmen ihnen zusätzliches Wissen und Gedächtnis, die Fähigkeit, zu planen und zu replanen, sowie die Fähigkeit, mit anderen Agenten zusammenzuarbeiten, um Aktionen auszuführen, bereitstellen.

Wenn einzelne Modelle in einigen Szenarien geeignet sind, als Co-Piloten zu agieren, öffnen agentenbasierte Architekturen die Tür für LLMs, um zu aktiven Komponenten der Geschäftsprozessautomatisierung zu werden. Als solche sollten Unternehmen in Betracht ziehen, LLM-basierte Multi-Agenten-Systeme (LLM-MA) zu nutzen, um komplexe Geschäftsprozesse zu straffen und den ROI zu verbessern.

Was ist ein LLM-MA-System?

Was also ist ein LLM-MA-System? Kurz gesagt, beschreibt diese neue Paradigmatik in der KI-Technologie ein Ökosystem von KI-Agenten, nicht isolierte Entitäten, die zusammenarbeiten, um komplexe Herausforderungen zu meistern.

Entscheidungen sollten in einer breiten Palette von Kontexten getroffen werden, genau wie zuverlässige Entscheidungsfindung unter Menschen Spezialisierung erfordert. LLM-MA-Systeme bauen diese “kollektive Intelligenz” auf, die eine Gruppe von Menschen durch die Interaktion mehrerer spezialisierter Agenten erreicht, um ein gemeinsames Ziel zu erreichen. Mit anderen Worten, genau wie ein Unternehmen verschiedene Experten aus verschiedenen Bereichen zusammenbringt, um ein Problem zu lösen, so funktionieren auch LLM-MA-Systeme.

Die Anforderungen der Unternehmen sind zu groß für ein einzelnes LLM. Allerdings können diese Agenten Aufgaben effizienter und effektiver erledigen, indem sie Fähigkeiten auf spezialisierte Agenten mit einzigartigen Fähigkeiten und Kenntnissen verteilen, anstatt ein einzelnes LLM die gesamte Last zu tragen. Multi-Agent-LLMs können sogar die Arbeit anderer “überprüfen” durch Kreuzverifizierung, “Halluzinationen” reduzieren für maximale Produktivität und Genauigkeit.

Insbesondere verwenden LLM-MA-Systeme eine Teilen-und-Erobern-Methode, um eine feinere Kontrolle über andere Aspekte komplexer KI-gestützter Systeme zu erlangen – insbesondere eine bessere Feinabstimmung auf bestimmte Datensätze, die Auswahl von Methoden (einschließlich prä-Transformer-KI) für eine bessere Erklärbarkeit, Governance, Sicherheit und Zuverlässigkeit und die Verwendung nicht-KI-Tools als Teil einer komplexen Lösung. Innerhalb dieses Teilen-und-Erobern-Ansatzes führen Agenten Aktionen aus und erhalten Feedback von anderen Agenten und Daten, was die Übernahme einer Ausführungsstrategie über die Zeit ermöglicht.

Möglichkeiten und Anwendungsfälle von LLM-MA-Systemen

LLM-MA-Systeme können Geschäftsprozesse effektiv automatisieren, indem sie durch strukturierte und unstrukturierte Dokumente suchen, Code generieren, um Datenmodelle abzufragen, und andere Inhalte generieren. Unternehmen können LLM-MA-Systeme für verschiedene Anwendungsfälle nutzen, einschließlich Software-Entwicklung, Hardware-Simulation, Spiel-Entwicklung (insbesondere Welt-Entwicklung), wissenschaftliche und pharmazeutische Entdeckungen, Kapital-Management-Prozesse, Finanz- und Handelswirtschaft usw.

Eine bemerkenswerte Anwendung von LLM-MA-Systemen ist die Automatisierung von Call- und Service-Centern. In diesem Beispiel kann eine Kombination von Modellen und anderen programmatischen Akteuren, die vorgegebene Workflows und Verfahren nutzen, Benutzerinteraktionen automatisieren und Anfragen über Text, Sprache oder Video triagieren. Darüber hinaus können diese Systeme den optimalen Lösungsweg finden, indem sie prozedurales und Fachwissen mit Personalisierungsdaten und der Einbindung von Retrieval-Augmented-Generation-(RAG)-Typen und nicht-LLM-Agenten nutzen.

Kurzfristig wird dieses System nicht vollständig automatisiert sein – Fehler werden auftreten, und es wird menschliche Eingriffe geben. KI ist noch nicht bereit, menschliche Erfahrungen zu replizieren, aufgrund der Komplexität von Tests für freie Konversationen gegenüber verantwortungsvoller KI. Allerdings kann KI auf Tausende von historischen Support-Tickets und Feedback-Schleifen trainieren, um erhebliche Teile von Call- und Service-Center-Operationen zu automatisieren, die Effizienz zu steigern, die Ticket-Lösungszeit zu reduzieren und die Kundenzufriedenheit zu erhöhen.

Eine weitere leistungsstarke Anwendung von Multi-Agent-LLMs ist die Erstellung von Mensch-KI-Kollaborations-Schnittstellen für Echtzeit-Konversationen, um Aufgaben zu lösen, die zuvor nicht möglich waren. Konversationelle Schwarm-Intelligenz (CSI) ist beispielsweise eine Methode, die es Tausenden von Menschen ermöglicht, Echtzeit-Konversationen zu führen. Insbesondere ermöglicht CSI es kleinen Gruppen, miteinander zu dialogisieren, während gleichzeitig verschiedene Gruppen von Agenten Konversations-Threads zusammenfassen. Es fördert dann die Inhalts-Verbreitung innerhalb der größeren Gruppe von Menschen, was die menschliche Koordination auf unvergleichbare Weise ermöglicht.

Sicherheit, verantwortungsvolle KI und andere Herausforderungen von LLM-MA-Systemen

Trotz der aufregenden Möglichkeiten von LLM-MA-Systemen ergeben sich einige Herausforderungen, wenn die Anzahl der Agenten und die Größe ihrer Aktionsräume zunehmen. Beispielsweise müssen Unternehmen das Problem der “Halluzinationen” angehen, was menschliche Eingriffe erfordert – eine bestimmte Partei muss für agentenbasierte Systeme verantwortlich sein, insbesondere solche mit potenzieller kritischer Auswirkung, wie automatisierte Arzneimittel-Entdeckung.

Es wird auch Probleme mit Daten-Vorurteilen geben, die sich zu Interaktions-Vorurteilen auswachsen können. Ebenso werden zukünftige LLM-MA-Systeme, die Hunderte von Agenten ausführen, komplexere Architekturen erfordern, während sie andere LLM-Schwächen, Daten und maschinelles Lernen berücksichtigen.

Darüber hinaus müssen Unternehmen Sicherheitsbedenken angehen und verantwortungsvolle KI-Praktiken fördern. Mehr LLMs und Agenten erhöhen die Angriffsfläche für alle KI-Bedrohungen. Unternehmen müssen verschiedene Teile ihrer LLM-MA-Systeme in spezialisierte Akteure aufteilen, um mehr Kontrolle über traditionelle LLM-Risiken, einschließlich Sicherheit und verantwortungsvolle KI-Elemente, zu erhalten.

Darüber hinaus müssen KI-Governance-Rahmen komplexer werden, um sicherzustellen, dass KI-Produkte zuverlässig (d. h. robust, rechenschaftspflichtig, überwacht und erklärbar), sicher (d. h. sicher, privat, effektiv und zweckmäßig) und verantwortungsvoll (d. h. fair, ethisch, inklusiv, nachhaltig und zweckmäßig) sind. Die zunehmende Komplexität wird auch zu strengeren Vorschriften führen, was es noch wichtiger macht, dass Sicherheit und verantwortungsvolle KI von Anfang an Teil jedes Geschäftsfall- und Lösungs-Designs sind, sowie kontinuierliche Richtlinien-Updates, Unternehmens-Schulungen und Bildung und TEVV-Strategien (Testen, Evaluieren, Verifizieren und Validieren).

Den vollen Wert aus einem LLM-MA-System extrahieren: Daten-Überlegungen

Um den vollen Wert aus einem LLM-MA-System zu extrahieren, müssen Unternehmen erkennen, dass LLMs allein nur allgemeines Domänenwissen besitzen. Allerdings können LLMs zu wertgenerierenden KI-Produkten werden, wenn sie auf Unternehmens-Domänenwissen basieren, das normalerweise aus differenzierten Daten-Assets, Unternehmens-Dokumentation, Fachwissen und Informationen aus öffentlichen Daten-Quellen besteht.

Unternehmen müssen sich von daten-zentriert, wo Daten Berichterstattung unterstützen, zu KI-zentriert verschieben, wo Daten-Quellen kombiniert werden, um KI zu einem Akteur innerhalb des Unternehmens-Ökosystems zu machen. Als solche müssen Unternehmen ihre Fähigkeit, hochwertige Daten-Assets zu kuratieren und zu verwalten, auf neue Daten-Typen erweitern. Ebenso müssen Organisationen ihren Ansatz für Daten- und Erkenntnis-Verbrauch modernisieren, ihr Betriebsmodell ändern und Governance einführen, die Daten, KI und verantwortungsvolle KI vereint.

Aus Sicht der Werkzeuge kann GenKI zusätzliche Hilfe bei Daten bieten. Insbesondere können GenKI-Tools Ontologien generieren, Metadaten erstellen, Daten-Signale extrahieren, komplexe Daten-Schemata verstehen, Daten-Migration automatisieren und Daten-Konvertierung durchführen. GenKI kann auch verwendet werden, um Daten-Qualität zu verbessern und als Governance-Spezialisten oder Co-Piloten bzw. semi-autonome Agenten zu agieren. Bereits nutzen viele Organisationen GenKI, um Daten zu demokratisieren, wie in “Talk-to-your-Data”-Funktionen zu sehen ist.

Kontinuierliche Adoption im Zeitalter des schnellen Wandels

Ein LLM fügt keinen Wert hinzu oder erzielt keinen positiven ROI, wenn es allein steht, sondern nur als Teil von anwendungsbasierten Geschäfts-Anwendungen. Die Herausforderung besteht darin, dass im Gegensatz zur Vergangenheit, als die technischen Fähigkeiten von LLMs bekannt waren, heute neue Fähigkeiten wöchentlich und manchmal täglich entstehen, die neue Geschäftschancen unterstützen. Aufgrund dieser schnellen Veränderung ist es wichtig, dass Unternehmen ihre Fähigkeit, sich schnell anzupassen, verbessern, um Erfolg zu haben.

Die Flexibilität, die erforderlich ist, um diese neuen Chancen zu nutzen, erfordert, dass Unternehmen eine Denkweise-Veränderung von Silos zu Kollaboration durchführen, die höchste Anpassungsfähigkeit über Technologie, Prozesse und Menschen hinweg fördert, während robuste Daten-Verwaltung und verantwortungsvolle Innovation implementiert werden. Letztendlich werden die Unternehmen, die diese neuen Paradigmen annehmen, die nächste Welle der digitalen Transformation anführen.