Bagaimana Multi-Agen LLM Dapat Memungkinkan Model AI untuk Lebih Efektif Menyelesaikan Tugas Kompleks

Sebagian besar organisasi saat ini ingin menggunakan model bahasa besar (LLM) dan menerapkan bukti konsep dan agen kecerdasan buatan (AI) untuk mengoptimalkan biaya dalam proses bisnis mereka dan menyampaikan pengalaman pengguna baru dan kreatif. Namun, sebagian besar implementasi ini adalah ‘one-offs.’ Akibatnya, bisnis kesulitan untuk memahami return on investment (ROI) dalam banyak kasus penggunaan ini.

AI generatif (GenAI) berjanji untuk melampaui perangkat lunak seperti co-pilot. Daripada hanya memberikan bimbingan dan bantuan kepada ahli bidang (SME), solusi ini dapat menjadi aktor SME, menjalankan tindakan secara otonom. Untuk solusi GenAI mencapai titik ini, organisasi harus memberikan mereka pengetahuan dan memori tambahan, kemampuan untuk merencanakan dan merencanakan kembali, serta kemampuan untuk berkolaborasi dengan agen lain untuk melakukan tindakan.

Sementara model tunggal cocok dalam beberapa skenario, bertindak sebagai co-pilot, arsitektur agen membuka pintu bagi LLM untuk menjadi komponen aktif otomatisasi proses bisnis. Oleh karena itu, perusahaan harus mempertimbangkan untuk menggunakan sistem LLM-MA untuk menyederhanakan proses bisnis kompleks dan meningkatkan ROI.

Apa itu Sistem LLM-MA?

Jadi, apa itu sistem LLM-MA? Secara singkat, paradigma baru ini dalam teknologi AI menggambarkan ekosistem agen AI, bukan entitas terisolasi, bekerja sama untuk menyelesaikan tantangan kompleks.

Keputusan harus terjadi dalam berbagai konteks, sama seperti pengambilan keputusan yang dapat diandalkan di antara manusia memerlukan spesialisasi. Sistem LLM-MA membangun ‘kecerdasan kolektif’ yang sama seperti yang dinikmati oleh sekelompok manusia melalui agen khusus yang berinteraksi bersama untuk mencapai tujuan bersama. Dengan kata lain, sama seperti bisnis yang mengumpulkan berbagai ahli dari bidang yang berbeda untuk menyelesaikan satu masalah, sistem LLM-MA juga beroperasi.

Tuntutan bisnis terlalu banyak untuk satu LLM. Namun, dengan mendistribusikan kemampuan di antara agen khusus dengan keterampilan dan pengetahuan unik daripada memiliki satu LLM yang menanggung semua beban, agen-agen ini dapat menyelesaikan tugas dengan lebih efisien dan efektif. LLM multi-agen bahkan dapat ‘memeriksa’ pekerjaan satu sama lain melalui verifikasi silang, mengurangi ‘halusinasi’ untuk produktivitas dan akurasi maksimum.

Secara khusus, sistem LLM-MA menggunakan metode bagi-dan-taklukkan untuk mendapatkan kontrol yang lebih halus atas aspek lain dari sistem AI yang kompleks – terutama, penyetelan yang lebih baik ke set data tertentu, memilih metode (termasuk AI pra-transformer) untuk keterjelasan yang lebih baik, tata kelola, keamanan, dan keandalan, serta menggunakan alat non-AI sebagai bagian dari solusi kompleks. Dalam pendekatan bagi-dan-taklukkan ini, agen melakukan tindakan dan menerima umpan balik dari agen lain dan data, memungkinkan adopsi strategi eksekusi dari waktu ke waktu.

Peluang dan Kasus Penggunaan Sistem LLM-MA

Sistem LLM-MA dapat secara efektif mengotomatisasi proses bisnis dengan mencari dokumen terstruktur dan tidak terstruktur, menghasilkan kode untuk meminta model data, dan melakukan generasi konten lainnya. Perusahaan dapat menggunakan sistem LLM-MA untuk beberapa kasus penggunaan, termasuk pengembangan perangkat lunak, simulasi perangkat keras, pengembangan permainan (khususnya, pengembangan dunia), penemuan ilmiah dan farmasi, proses manajemen modal, ekonomi keuangan dan perdagangan, dll.

Satu aplikasi sistem LLM-MA yang patut diperhatikan adalah otomatisasi pusat layanan. Dalam contoh ini, kombinasi model dan aktor programatik lain yang menggunakan alur kerja dan prosedur yang telah ditentukan sebelumnya dapat mengotomatisasi interaksi pengguna akhir dan melakukan triase permintaan melalui teks, suara, atau video. Selain itu, sistem ini dapat menavigasi jalur resolusi optimal dengan menggunakan pengetahuan prosedural dan SME dengan data personalisasi dan memanggil Retrieval Augmented Generation (RAG)-type dan agen non-LLM.

Dalam jangka pendek, sistem ini tidak akan sepenuhnya otomatis – kesalahan akan terjadi, dan akan diperlukan campur tangan manusia. AI belum siap untuk mereplikasi pengalaman seperti manusia karena kompleksitas pengujian percakapan bebas terhadap, misalnya, kekhawatiran AI yang bertanggung jawab. Namun, AI dapat dilatih pada ribuan tiket dukungan sejarah dan loop umpan balik untuk mengotomatisasi bagian penting dari operasi pusat layanan, meningkatkan efisiensi, mengurangi waktu resolusi tiket, dan meningkatkan kepuasan pelanggan.

Aplikasi lain yang kuat dari LLM multi-agen adalah menciptakan antarmuka kolaborasi manusia-AI untuk percakapan waktu nyata, menyelesaikan tugas yang sebelumnya tidak mungkin. Inteligensi swarm percakapan (CSI), misalnya, adalah metode yang memungkinkan 1000 orang untuk melakukan percakapan waktu nyata. Secara khusus, CSI memungkinkan kelompok kecil untuk berdialog satu sama lain sementara kelompok agen yang berbeda merangkum thread percakapan. Kemudian, CSI memfasilitasi propagasi konten di seluruh tubuh orang yang lebih besar, memungkinkan koordinasi manusia pada skala yang belum pernah terjadi sebelumnya.

Keamanan, AI yang Bertanggung Jawab, dan Tantangan Lain dari Sistem LLM-MA

Meskipun ada peluang menarik dari sistem LLM-MA, beberapa tantangan muncul karena jumlah agen dan ukuran ruang tindakan mereka meningkat. Misalnya, bisnis harus menangani masalah ‘halusinasi’ biasa, yang akan memerlukan campur tangan manusia – pihak yang ditunjuk harus bertanggung jawab atas sistem agen, terutama yang memiliki dampak kritis potensial, seperti penemuan obat otomatis.

Ada juga masalah dengan bias data, yang dapat menyebabkan interaksi bias. Demikian pula, sistem LLM-MA di masa depan yang menjalankan ratusan agen akan memerlukan arsitektur yang lebih kompleks sambil mempertimbangkan kelemahan LLM lainnya, data, dan operasi pembelajaran mesin.

Selain itu, organisasi harus menangani kekhawatiran keamanan dan mempromosikan praktik AI yang bertanggung jawab (RAI). Lebih banyak LLM dan agen meningkatkan permukaan serangan untuk semua ancaman AI. Perusahaan harus memecah bagian yang berbeda dari sistem LLM-MA mereka menjadi aktor khusus untuk memberikan kontrol lebih besar atas risiko LLM tradisional, termasuk keamanan dan elemen RAI.

Selain itu, karena solusi menjadi lebih kompleks, sehingga kerangka tata kelola AI harus ditingkatkan untuk memastikan bahwa produk AI dapat diandalkan (yaitu, kuat, akuntabel, dipantau, dan dapat dijelaskan), aman (yaitu, aman, rahasia, efektif, dan bertanggung jawab), dan bertanggung jawab (yaitu, adil, etis, inklusif, berkelanjutan, dan bermaksud). Kompleksitas yang meningkat juga akan menyebabkan peraturan yang diperketat, membuatnya lebih penting bahwa keamanan dan RAI menjadi bagian dari setiap kasus bisnis dan desain solusi dari awal, serta pembaruan kebijakan berkelanjutan, pelatihan perusahaan, dan strategi pengujian, evaluasi, verifikasi, dan validasi (TEVV).

Mengeluarkan Nilai Penuh dari Sistem LLM-MA: Pertimbangan Data

Untuk perusahaan mengeluarkan nilai penuh dari sistem LLM-MA, mereka harus mengakui bahwa LLM, secara mandiri, hanya memiliki pengetahuan domain umum. Namun, LLM dapat menjadi produk AI yang menghasilkan nilai ketika mereka bergantung pada pengetahuan domain perusahaan, yang biasanya terdiri dari aset data yang berbeda, dokumentasi perusahaan, pengetahuan SME, dan informasi yang diperoleh dari sumber data publik.

Perusahaan harus beralih dari data-sentris, di mana data mendukung pelaporan, ke AI-sentris, di mana sumber data digabungkan untuk memberdayakan AI menjadi aktor dalam ekosistem perusahaan. Oleh karena itu, kemampuan perusahaan untuk mengkurasi dan mengelola aset data berkualitas tinggi harus diperluas ke jenis data baru. Selain itu, organisasi perlu memodernisasi pendekatan konsumsi data dan wawasan mereka, mengubah model operasional mereka, dan memperkenalkan tata kelola yang mempersatukan data, AI, dan RAI.

Dari perspektif tooling, GenAI dapat memberikan bantuan tambahan terkait data. Secara khusus, alat GenAI dapat menghasilkan ontologi, membuat metadata, mengekstrak sinyal data, memahami skema data kompleks, mengotomatisasi migrasi data, dan melakukan konversi data. GenAI juga dapat digunakan untuk meningkatkan kualitas data dan bertindak sebagai spesialis tata kelola serta sebagai co-pilot atau agen semi-otonom. Sudah banyak organisasi yang menggunakan GenAI untuk membantu mendemokratisasi data, seperti yang terlihat dalam kemampuan ‘berbicara dengan data’.

Adopsi Berkelanjutan di Era Perubahan Cepat

LLM tidak menambah nilai atau mencapai ROI positif dengan sendirinya, tetapi sebagai bagian dari aplikasi yang berfokus pada hasil bisnis. Tantangan adalah bahwa tidak seperti di masa lalu, ketika kemampuan teknis LLM cukup diketahui, hari ini, kemampuan baru muncul setiap minggu dan kadang-kadang setiap hari, mendukung peluang bisnis baru. Di atas perubahan cepat ini adalah lanskap regulasi dan kepatuhan yang terus berkembang, membuat kemampuan untuk beradaptasi dengan cepat sangat penting untuk kesuksesan.

Kelenturan yang diperlukan untuk memanfaatkan peluang baru ini memerlukan bahwa bisnis mengalami pergeseran paradigma dari silo ke kolaborasi, mempromosikan tingkat adaptabilitas tertinggi di seluruh teknologi, proses, dan orang sambil menerapkan manajemen data yang kuat dan inovasi yang bertanggung jawab. Pada akhirnya, perusahaan yang mengadopsi paradigma baru ini akan memimpin gelombang transformasi digital berikutnya.