Come i Multi-Agent LLM possono abilitare i modelli di intelligenza artificiale a risolvere compiti complessi in modo più efficace

La maggior parte delle organizzazioni di oggi vuole utilizzare grandi modelli linguistici (LLM) e implementare prove di concetto e agenti di intelligenza artificiale (AI) per ottimizzare i costi all’interno dei propri processi aziendali e fornire nuove e creative esperienze utente. Tuttavia, la maggior parte di queste implementazioni sono ‘una tantum’. Di conseguenza, le aziende faticano a realizzare un ritorno sull’investimento (ROI) in molti di questi casi d’uso.

L’intelligenza artificiale generativa (GenAI) promette di andare oltre il software come co-pilota. Piuttosto che fornire semplicemente indicazioni e aiuto a un esperto del settore (SME), queste soluzioni potrebbero diventare gli attori SME, eseguendo azioni in modo autonomo. Perché le soluzioni GenAI possano raggiungere questo punto, le organizzazioni devono fornire loro ulteriori conoscenze e memoria, la capacità di pianificare e ripianificare, nonché la capacità di collaborare con altri agenti per eseguire azioni.

Mentre i singoli modelli sono adatti in alcuni scenari, agendo come co-piloti, le architetture agentiche aprono la porta per gli LLM per diventare componenti attivi dell’automazione dei processi aziendali. Pertanto, le imprese dovrebbero considerare l’utilizzo di sistemi LLM basati su multi-agente (LLM-MA) per semplificare i processi aziendali complessi e migliorare il ROI.

Cosa è un sistema LLM-MA?

Quindi, cosa è un sistema LLM-MA? In breve, questo nuovo paradigma nella tecnologia dell’intelligenza artificiale descrive un ecosistema di agenti di intelligenza artificiale, non entità isolate, che lavorano insieme in modo coeso per risolvere sfide complesse.

Le decisioni dovrebbero verificarsi all’interno di un’ampia gamma di contesti, proprio come la presa di decisioni affidabile tra gli esseri umani richiede specializzazione. I sistemi LLM-MA costruiscono questa stessa ‘intelligenza collettiva’ che un gruppo di esseri umani gode attraverso più agenti specializzati che interagiscono insieme per raggiungere un obiettivo comune. In altre parole, proprio come un’azienda riunisce diversi esperti di vari campi per risolvere un problema, così funzionano i sistemi LLM-MA.

Le richieste aziendali sono troppo elevate per un singolo LLM. Tuttavia, distribuendo le capacità tra agenti specializzati con abilità e conoscenze uniche invece di avere un solo LLM che sopporti ogni onere, questi agenti possono completare i compiti in modo più efficiente ed efficace. I multi-agent LLM possono anche ‘verificare’ il lavoro degli altri attraverso la cross-verifica, riducendo le ‘allucinazioni’ per la massima produttività e accuratezza.

In particolare, i sistemi LLM-MA utilizzano un metodo di divide-et-impera per acquisire un controllo più raffinato su altri aspetti dei sistemi di intelligenza artificiale complessi – in particolare, una migliore regolazione fine su set di dati specifici, la selezione di metodi (inclusi pre-transformer AI) per una migliore spiegabilità, governance, sicurezza e affidabilità e l’utilizzo di strumenti non-AI come parte di una soluzione complessa. All’interno di questo approccio di divide-et-impera, gli agenti eseguono azioni e ricevono feedback da altri agenti e dati, consentendo l’adozione di una strategia di esecuzione nel tempo.

Opportunità e casi d’uso dei sistemi LLM-MA

I sistemi LLM-MA possono automatizzare efficacemente i processi aziendali cercando attraverso documenti strutturati e non strutturati, generando codice per interrogare modelli di dati e eseguendo altre generazioni di contenuti. Le aziende possono utilizzare i sistemi LLM-MA per diversi casi d’uso, tra cui sviluppo software, simulazione hardware, sviluppo di giochi (in particolare, sviluppo di mondi), scoperte scientifiche e farmaceutiche, processi di gestione del capitale, economia finanziaria e di trading, ecc.

Un’applicazione degna di nota dei sistemi LLM-MA è l’automazione dei centri di servizio. In questo esempio, una combinazione di modelli e altri attori programmatici che utilizzano flussi di lavoro e procedure predefinite potrebbe automatizzare le interazioni con gli utenti finali e eseguire la triage delle richieste tramite testo, voce o video. Inoltre, questi sistemi potrebbero navigare nel percorso di risoluzione più ottimale sfruttando la conoscenza procedurale e SME con dati di personalizzazione e invocando agenti di tipo Retrieval Augmented Generation (RAG) e non-LLM.

Nel breve termine, questo sistema non sarà completamente automatizzato – si verificheranno errori e sarà necessario avere esseri umani nel loop. L’intelligenza artificiale non è ancora pronta a replicare esperienze simili a quelle umane a causa della complessità del test di conversazione libera contro, ad esempio, preoccupazioni relative all’intelligenza artificiale responsabile. Tuttavia, l’intelligenza artificiale può formarsi su migliaia di biglietti di supporto storici e feedback loop per automatizzare parti significative delle operazioni del centro di servizio, aumentando l’efficienza, riducendo il tempo di risoluzione dei biglietti e aumentando la soddisfazione del cliente.

Un’altra applicazione potente dei multi-agent LLM è la creazione di interfacce di collaborazione uomo-intelligenza artificiale per conversazioni in tempo reale, risolvendo compiti che non erano possibili in precedenza. L’intelligenza collettiva conversazionale (CSI), ad esempio, è un metodo che consente a migliaia di persone di sostenere conversazioni in tempo reale. In particolare, la CSI consente a piccoli gruppi di dialogare tra loro mentre gruppi diversi di agenti riassumono i fili di conversazione. Quindi, favorisce la propagazione di contenuti all’interno del più ampio corpo di persone, potenziando la coordinazione umana a una scala senza precedenti.

Sicurezza, intelligenza artificiale responsabile e altre sfide dei sistemi LLM-MA

Nonostante le opportunità emozionanti dei sistemi LLM-MA, alcune sfide si presentano man mano che aumenta il numero di agenti e la dimensione dei loro spazi di azione. Ad esempio, le aziende dovranno affrontare il problema delle ‘allucinazioni’ ordinarie, che richiederà la presenza di esseri umani nel loop – una parte designata deve essere responsabile dei sistemi agentic, in particolare quelli con un impatto critico potenziale, come la scoperta di farmaci automatizzata.

Si verificheranno anche problemi con i pregiudizi dei dati, che possono trasformarsi in pregiudizi di interazione. Allo stesso modo, i futuri sistemi LLM-MA che eseguono centinaia di agenti richiederanno architetture più complesse, tenendo conto anche di altre carenze LLM, dati e operazioni di apprendimento automatico.

Inoltre, le organizzazioni devono affrontare le preoccupazioni relative alla sicurezza e promuovere le pratiche di intelligenza artificiale responsabile (RAI). Un maggior numero di LLM e agenti aumenta la superficie di attacco per tutte le minacce di intelligenza artificiale. Le aziende devono decomporre diverse parti dei loro sistemi LLM-MA in attori specializzati per fornire un controllo maggiore sui rischi tradizionali LLM, inclusi elementi di sicurezza e RAI.

Inoltre, man mano che le soluzioni diventano più complesse, anche i framework di governance dell’intelligenza artificiale devono essere più complessi per garantire che i prodotti di intelligenza artificiale siano affidabili (cioè robusti, responsabili, monitorati e spiegabili), residenti (cioè sicuri, sicuri, privati ed efficaci) e responsabili (cioè equi, etici, inclusivi, sostenibili e finalizzati). La complessità crescente porterà anche a regolamentazioni più strette, rendendo ancora più importante che la sicurezza e la RAI facciano parte di ogni caso d’uso aziendale e progetto di soluzione fin dall’inizio, nonché aggiornamenti di politica continui, formazione aziendale e strategie di testing, valutazione, verifica e convalida (TEVV).

Estrarre il valore completo da un sistema LLM-MA: considerazioni sui dati

Perché le aziende possano estrarre il valore completo da un sistema LLM-MA, devono riconoscere che gli LLM, di per sé, possiedono solo conoscenze generali di dominio. Tuttavia, gli LLM possono diventare prodotti di intelligenza artificiale che generano valore quando si basano sulla conoscenza di dominio aziendale, che di solito consiste in asset di dati differenziati, documentazione aziendale, conoscenza SME e informazioni recuperate da fonti di dati pubbliche.

Le aziende devono spostarsi da un approccio centrato sui dati, in cui i dati supportano la creazione di report, a un approccio centrato sull’intelligenza artificiale, in cui le fonti di dati si combinano per potenziare l’intelligenza artificiale e renderla un attore all’interno dell’ecosistema aziendale. Pertanto, la capacità delle aziende di curare e gestire asset di dati di alta qualità deve estendersi a questi nuovi tipi di dati. Allo stesso modo, le organizzazioni devono modernizzare il loro approccio alla gestione dei dati e delle informazioni, cambiare il loro modello operativo e introdurre una governance che unisca dati, intelligenza artificiale e RAI.

Dal punto di vista degli strumenti, la GenAI può fornire ulteriore aiuto riguardo ai dati. In particolare, gli strumenti GenAI possono generare ontologie, creare metadati, estrarre segnali di dati, dare senso a schemi di dati complessi, automatizzare la migrazione dei dati e eseguire la conversione dei dati. La GenAI può anche essere utilizzata per migliorare la qualità dei dati e agire come specialisti di governance, nonché come co-piloti o agenti semi-autonomi. Già, molte organizzazioni utilizzano la GenAI per aiutare a democratizzare i dati, come si vede nelle capacità ‘parla con i tuoi dati’.

Adozione continua nell’era del cambiamento rapido

Un LLM non aggiunge valore o raggiunge un ROI positivo da solo, ma come parte di applicazioni focalizzate sui risultati aziendali. La sfida è che, a differenza del passato, quando le capacità tecnologiche degli LLM erano in qualche modo note, oggi emergono nuove capacità settimanalmente e a volte quotidianamente, supportando nuove opportunità aziendali. Oltre a questo rapido cambiamento, c’è un panorama regolamentare e di conformità in continua evoluzione, rendendo fondamentale la capacità di adattarsi rapidamente per il successo.

La flessibilità necessaria per sfruttare queste nuove opportunità richiede che le aziende subiscano un cambiamento di mentalità dai silos alla collaborazione, promuovendo il massimo livello di adattabilità attraverso tecnologia, processi e persone, implementando al contempo una gestione dei dati robusta e un’innovazione responsabile. Alla fine, le aziende che abbracciano questi nuovi paradigmi guideranno la prossima ondata di trasformazione digitale.