Miten moniagenttiset LLM:t voivat mahdollistaa AI-mallien tehokkaamman ratkaisemisen monimutkaisia tehtäviä

Useimmat organisaatiot haluavat käyttää suuria kielenmalleja (LLM) ja toteuttaa konseptin osoittamista ja tekoälyagentteja kustannusten optimoimiseksi liiketoimintaprosesseissaan ja tarjota uusia ja luovia käyttäjäkokemuksia. Kuitenkin näiden toteutusten enemmistö on “yksittäisiä”. Tämän seurauksena yritykset kamppailevat saadakseen aikaan paluun sijoitettuihin varoihin (ROI) monissa näistä käyttötarkoituksista.

Generatiivinen tekoäly (GenAI) lupailee mennä ohjelmistojen kaltaisen co-pilotin ulkopuolelle. Sen sijaan, että se tarjoaisi vain ohjausta ja apua asiantuntijalle, nämä ratkaisut voivat muuttua asiantuntijoiksi, jotka toimivat itsenäisesti. Jotta GenAI-ratkaisut pääsevät tähän pisteeseen, organisaatioiden on annettava niille lisää tietoa ja muistia, kykyä suunnitella ja suunnitella uudelleen, sekä kykyä tehdä yhteistyötä muiden agenttien kanssa toimintojen suorittamiseksi.

Koska yksittäiset mallit ovat sovellettavissa joissakin tilanteissa, toimien co-piloteina, agenteille suunnitellut arkkitehtuurit avaavat oven LLM:ien muuttumiseksi aktiivisiksi osiksi liiketoimintaprosessien automaatioissa. Tämän vuoksi yritysten tulisi harkita LLM-pohjaisia moniagenttijärjestelmiä (LLM-MA) monimutkaisten liiketoimintaprosessien sujuvoittamiseksi ja ROI:n parantamiseksi.

Mikä on LLM-MA-järjestelmä?

Mitä on LLM-MA-järjestelmä? Lyhyesti, tämä uusi paradigma tekoälytekniikassa kuvailee ekosysteemiä tekoälyagenteista, jotka eivät ole eristyneitä yksiköitä, vaan toimivat yhdessä ratkaisemalla monimutkaisia haasteita.

Päätöksiä tulisi tehdä laajassa kontekstissa, aivan kuten luotettava päätöksenteko ihmisillä vaatii erikoistumista. LLM-MA-järjestelmät rakentavat saman “kollektiivisen älymystön”, jota ihmisryhmällä on, useiden erikoistuneiden agenttien vuorovaikutuksen kautta yhteisen tavoitteen saavuttamiseksi. Toisin sanoen, aivan kuten yritys kokoaa eri alojen asiantuntijoita yhden ongelman ratkaisemiseksi, niin myös LLM-MA-järjestelmät toimivat.

Liiketoiminnan vaatimukset ovat liian suuria yhdelle LLM:lle. Kuitenkin jakamalla kyvyt erikoistuneiden agenttien kesken, joilla on ainutlaatuinen osaaminen ja tietämys, sen sijaan, että yksi LLM kantaisi kaiken taakan, nämä agentit voivat suorittaa tehtäviä tehokkaammin ja tehokkaammin. Moniagenttiset LLM:t voivat jopa “tarkistaa” toistensa työn kautta, vähentäen “hallusinaatioita” maksimaaliseen tuottavuuteen ja tarkkuuteen.

Nimenomaan LLM-MA-järjestelmät käyttävät jakoa ja valloittamista saadakseen tarkemman hallinnan muiden monimutkaisten tekoälyjärjestelmien osista – erityisesti paremman hienosäätelyn tietyn tietojoukon suhteen, valitsemalla menetelmiä (mukaan lukien ennen muunnos-ai-tekniikkaa) paremman selittämiskyvyn, hallinnan, turvallisuuden ja luotettavuuden vuoksi sekä käyttämällä ei-tekoälytyökaluja osana monimutkaista ratkaisua. Tässä jakamis- ja valloitusmenetelmässä agentit suorittavat toimintoja ja vastaanottavat palautetta muilta agenteilta ja tiedoista, mahdollistaen suoritussuunnitelman omaksumisen ajan myötä.

LLM-MA-järjestelmien mahdollisuudet ja käyttötarkoitukset

LLM-MA-järjestelmät voivat automatisoida liiketoimintaprosesseja etsimällä rakennettuja ja rakenteettomia asiakirjoja, luomalla koodia tiedonmallien kyselyyn ja suorittamalla muita sisällön luontitoimintoja. Yritykset voivat käyttää LLM-MA-järjestelmiä useissa käyttötarkoituksissa, kuten ohjelmistokehityksessä, laitteistosimulaatiossa, pelien kehityksessä (erityisesti maailman luomisessa), tieteellisissä ja farmaseuttisissa löydöissä, pääomien hallinnassa, taloudellisissa ja kaupallisissa prosesseissa jne.

Yksi merkittävä sovellus LLM-MA-järjestelmistä on asiakaspalvelun automaatio. Tässä esimerkissä mallien ja muiden ohjelmallisten toimijoiden yhdistelmä, joka hyödyntää ennalta määriteltyjä työvirran ja prosessien mukaisia toimintoja, voisi automatisoida loppukäyttäjien vuorovaikutukset ja suorittaa pyynnön triage-työn tekstin, äänen tai videon kautta. Lisäksi nämä järjestelmät voivat navigoida optimaalisimman ratkaisun polun hyödyntämällä prosessi- ja asiantuntijatietoa sekä henkilökohtaistamistietoja ja kutsuvat hakuvälineellä tuotettuja (RAG) -tyyppisiä ja ei-LLM-agenteja.

Lyhyellä aikavälillä tämä järjestelmä ei ole täysin automaattinen – virheitä tulee esiin, ja ihmisten on oltava prosessissa mukana. Tekoäly ei ole valmis jäljittelemään ihmismäistä kokemusta tekoälyyn liittyvien vastuullisuuskysymysten monimutkaisuuden vuoksi. Kuitenkin tekoäly voi kouluttaa tuhansia historiallisia tukipyyntöjä ja palautelooppeja automatisoidakseen merkittäviä osia asiakaspalvelun toiminnasta, parantaen tehokkuutta, vähentäen liputusajan viiveitä ja lisäten asiakastyytyväisyyttä.

Toinen voimakas sovellus moniagenttisille LLM:ille on luominen ihmisten ja tekoälyn välistä yhteistyöalustaa reaaliaikaisiin keskusteluihin, ratkaisemalla tehtäviä, joita ei aiemmin voitu ratkaista. Esimerkiksi keskusteluparviäly (CSI) on menetelmä, joka mahdollistaa tuhansien ihmisten osallistumisen reaaliaikaisiin keskusteluihin. Nimenomaan CSI sallii pienryhmien vuorovaikutuksen toistensa kanssa samanaikaisesti, kun taas eri ryhmät tiivistävät keskustelulankauksia. Se edistää sisällön leviämistä laajemman ihmisyhteisön keskuudessa, mahdollistaen ihmisten koordinoinnin ennenkokemattomalla tasolla.

LLM-MA-järjestelmien turvallisuus, vastuullinen tekoäly ja muut haasteet

Vaikka LLM-MA-järjestelmissä on mielenkiintoisia mahdollisuuksia, niiden lähestymistavassa esiintyy haasteita, kun agenttien määrä ja toimintavälien koko kasvavat. Esimerkiksi yritysten on ratkaistava “hallusinaatioiden” ongelma, joka vaatii ihmisten osallistumista prosessiin – nimettynä taho on oltava vastuussa agenteille, erityisesti niille, joilla on kriittinen vaikutus, kuten automaattinen lääkekehitys.

On myös ongelmia datan vinoutumisen kanssa, joka voi kasautua vuorovaikutuksen vinoutumiseksi. Samoin, tulevaisuuden LLM-MA-järjestelmien, jotka suorittavat satoja agenteja, vaativat monimutkaisempia arkkitehtuureja ja ottaen huomioon muita LLM-puutteita, dataa ja koneoppimisen operaatioita.

Lisäksi organisaatioiden on ratkaistava turvallisuuskysymykset ja edistettävä vastuullisen tekoälyn (RAI) käytäntöjä. Useammat LLM:t ja agentit lisäävät hyökkäyspintaa kaikille tekoälyuhille. Yritysten on purettava eri osia LLM-MA-järjestelmistään erikoistuneiksi toimijoiksi, jotta voidaan tarjota enemmän valvontaa perinteisten LLM-riskien, kuten turvallisuuden ja RAI-elementtien, suhteen.

Lisäksi, kun ratkaisut muuttuvat monimutkaisemmiksi, myös tekoälyhallintokehykset on kehitettävä, jotta voidaan varmistaa, että tekoälytuotteet ovat luotettavia (ts. kestäviä, vastuullisia, valvottuja ja selitettävissä), turvallisia (ts. turvallisia, turvallisia, yksityisiä ja tehokkaita) ja vastuullisia (ts. reiluja, eettisiä, inklusiivisia, kestäviä ja tarkoituksenmukaisia). Monimutkaisuuden kasvu johtaa myös lainsäädännön kiristymiseen, joten on entistä tärkeämpää, että turvallisuus ja RAI ovat osa jokaisen liiketoimintatapauksen ja ratkaisun suunnittelua alusta alkaen, sekä jatkuvaan politiikkaan, koulutukseen ja koulutukseen sekä TEVV-strategioihin (testaus, arviointi, vahvistus ja validointi).

LLM-MA-järjestelmien täydellisen arvon saavuttaminen: datan huomioon otto

Jotta yritykset voivat saada täyden hyödyn LLM-MA-järjestelmistä, niiden on tunnustettava, että LLM:t itsessään omistavat vain yleisen alan tiedon. Kuitenkin LLM:t voivat muuttua arvonluoiviksi tekoälytuotteiksi, kun ne nojaavat yritysten alan tietoon, joka koostuu yleensä erottuvista data-ominaisuuksista, yritysten asiakirjoista, asiantuntijatiedosta ja tiedosta, jota haetaan julkisista tietolähteistä.

Yritysten on siirryttävä datakeskeisyydestä, jossa data tukee raportointia, tekoälykeskeisyyteen, jossa datakokoelmat yhdistyvät antamaan tekoälylle roolin yrityksen ekosysteemissä. Tämän vuoksi yritysten kyky kuraattorin laadukkaiden data-ominaisuuksien hallintaan on laajennettava näihin uusiin data-tyyppeihin. Samoin organisaatioiden on modernisoitava data- ja oivalluksien kulutuslähestymistapa, muutettava toimintamallia ja esitettävä hallintoa, joka yhdistää datan, tekoälyn ja RAI:n.

Työkalujen näkökulmasta GenAI voi tarjota lisää apua datan suhteen. Nimenomaan GenAI-työkalut voivat luoda ontologioita, luoda metadataa, poimia data-signaaleja, ymmärtää monimutkaisia data-skeemoja, automatisoida data-migraation ja suorittaa data-muunnoksen. GenAI voidaan myös käyttää parantamaan data-laatuun ja toimimaan datan hallinnan asiantuntijoina sekä co-piloteina tai puoli-itsenäisinä agenteina. Jo monissa organisaatioissa GenAI auttaa datan demokratisoimisessa, kuten “puhu datalle” -ominaisuudessa.

Jatkuva omaksuminen nopean muutoksen aikakaudella

LLM ei lisää arvoa tai saavuta positiivista ROI:ta itsenään, vaan osana liiketoimintatulokseen keskittyvää sovellusta. Haaste on, että toisin kuin menneisyydessä, jolloin LLM:n tekniset ominaisuudet olivat jossain määrin tunnettuja, nykyään uudet ominaisuudet ilmestyvät viikoittain ja joskus päivittäin, tukeakseen uusia liiketoimintamahdollisuuksia. Tämän nopean muutoksen lisäksi on kehittyvä sääntely- ja vaatimuskokonaisuus, joten nopean sopeutumisen kyky on avain menestykseen.

Uusien mahdollisuuksien hyödyntämiseen vaadittava joustavuus edellyttää, että yritykset käyvät läpi mielenmuutoksen eristyneisyydestä yhteistyöhön, edistäen korkeimman tason sopeutumista teknologian, prosessien ja ihmisten osalla samanaikaisesti robustin datan hallinnan ja vastuullisen innovaation toteuttamisen kautta. Lopulta yritykset, jotka omaksuvat nämä uudet paradigmat, johtavat seuraavaa aaltoa digitaalista muutosta.