Hoe Multi-Agent LLM’s AI-modellen kunnen helpen om complexe taken effectiever op te lossen

De meeste organisaties willen vandaag grote taalmodellen (LLM’s) en kunstmatige intelligentie (AI) gebruiken om bedrijfsprocessen te optimaliseren en nieuwe en creatieve gebruikerservaringen te bieden. Echter, de meeste van deze implementaties zijn eenmalig. Als gevolg hiervan hebben bedrijven moeite om een rendement op investering (ROI) te behalen in veel van deze use cases.

Generatieve AI (GenAI) belooft verder te gaan dan software zoals co-pilot. In plaats van alleen leiding en hulp te bieden aan een onderwerpdeskundige (SME), kunnen deze oplossingen de SME-actoren worden, die autonoom acties uitvoeren. Om GenAI-oplossingen hier te krijgen, moeten organisaties ze voorzien van extra kennis en geheugen, de mogelijkheid om te plannen en te herplannen, evenals de mogelijkheid om samen te werken met andere agenten om acties uit te voeren.

Terwijl enkele modellen geschikt zijn in sommige scenario’s, waarin ze als co-pilot fungeren, openen agente-architecturen de deur voor LLM’s om actieve componenten van bedrijfsprocesautomatisering te worden. Als zodanig moeten bedrijven overwegen om LLM-gebaseerde multi-agent (LLM-MA) systemen te gebruiken om complexe bedrijfsprocessen te stroomlijnen en de ROI te verbeteren.

Wat is een LLM-MA Systeem?

Wat is een LLM-MA systeem? Kort gezegd, beschrijft deze nieuwe paradigma in AI-technologie een ecosysteem van AI-agenten, niet geïsoleerde entiteiten, die samenwerken om complexe uitdagingen op te lossen.

Beslissingen moeten plaatsvinden binnen een breed scala aan contexten, net zoals betrouwbare beslissingen onder mensen specialisatie vereisen. LLM-MA systemen bouwen deze ‘collectieve intelligentie’ op die een groep mensen heeft door meerdere gespecialiseerde agenten samen te laten werken om een gemeenschappelijk doel te bereiken. Met andere woorden, net zoals een bedrijf verschillende experts uit verschillende vakgebieden samenbrengt om één probleem op te lossen, werken LLM-MA systemen op dezelfde manier.

Bedrijfsvereisten zijn te veel voor één LLM. Echter, door capaciteiten te verdelen onder gespecialiseerde agenten met unieke vaardigheden en kennis in plaats van één LLM alle lasten te laten dragen, kunnen deze agenten taken efficiënter en effectiever uitvoeren. Multi-agent LLM’s kunnen zelfs elkaars werk ‘controleren’ door middel van cross-verificatie, hallucinaties verminderen voor maximale productiviteit en nauwkeurigheid.

In het bijzonder gebruiken LLM-MA systemen een verdeel-en-heersmethode om meer verfijnde controle te krijgen over andere aspecten van complexe AI-geëmpowerde systemen – met name, betere fine-tuning naar specifieke datasets, selectiemethoden (inclusief pre-transformer AI) voor betere uitlegbaarheid, governance, beveiliging en betrouwbaarheid en het gebruik van niet-AI-hulpmiddelen als onderdeel van een complexe oplossing. Binnen deze verdeel-en-heersaanpak voeren agenten acties uit en ontvangen ze feedback van andere agenten en data, waardoor het mogelijk wordt om een uitvoeringsstrategie over tijd te adopteren.

Mogelijkheden en Use Cases van LLM-MA Systemen

LLM-MA systemen kunnen bedrijfsprocessen effectief automatiseren door te zoeken in gestructureerde en ongestructureerde documenten, code te genereren om data-modellen te bevragen en andere inhoud te genereren. Bedrijven kunnen LLM-MA systemen gebruiken voor verschillende use cases, waaronder software-ontwikkeling, hardware-simulatie, game-ontwikkeling (in het bijzonder wereldontwikkeling), wetenschappelijke en farmaceutische ontdekkingen, kapitaalbeheerprocessen, financiële en handelseconomie, enz.

Een opvallende toepassing van LLM-MA systemen is de automatisering van call-/servicecentra. In dit voorbeeld kan een combinatie van modellen en andere programmatige actoren met vooraf gedefinieerde workflows en procedures gebruikersinteracties automatiseren en verzoeken triëren via tekst, spraak of video. Bovendien kunnen deze systemen de meest optimale resolutiepad navigeren door procedurale en SME-kennis te combineren met personalisatiegegevens en door Retrieval Augmented Generation (RAG)-type en niet-LLM-agenten aan te roepen.

Op korte termijn zal dit systeem niet volledig geautomatiseerd zijn – fouten zullen optreden en er zal menselijke interventie nodig zijn. AI is nog niet klaar om menselijke ervaringen na te bootsen vanwege de complexiteit van het testen van vrije conversatie tegen, bijvoorbeeld, verantwoorde AI-bezorgdheden. Echter, AI kan duizenden historische ondersteuningsaanvragen en feedbackloops trainen om significante delen van call-/servicecentrumoperaties te automatiseren, waardoor efficiëntie toeneemt, de resolutietijd van tickets afneemt en klanttevredenheid toeneemt.

Een andere krachtige toepassing van multi-agent LLM’s is het creëren van mens-AI-samenwerkingsinterfaces voor real-time conversaties, waardoor taken kunnen worden opgelost die eerder niet mogelijk waren. Conversational swarm intelligence (CSI), bijvoorbeeld, is een methode die het mogelijk maakt voor duizenden mensen om real-time conversaties te voeren. CSI laat kleine groepen toe om met elkaar te dialogeren, terwijl tegelijkertijd verschillende groepen agenten conversatiedraden samenvatten. Vervolgens bevordert het de verspreiding van inhoud over het bredere publiek, waardoor menselijke coördinatie op een ongekende schaal mogelijk wordt.

Beveiliging, Verantwoorde AI en Andere Uitdagingen van LLM-MA Systemen

Ondanks de spannende mogelijkheden van LLM-MA systemen, rijzen er enkele uitdagingen voor deze benadering op naarmate het aantal agenten en de omvang van hun actieruimte toenemen. Zo moeten bedrijven het probleem van hallucinaties aanpakken, wat menselijke interventie zal vereisen – een aangewezen partij moet verantwoordelijk zijn voor agente-systemen, vooral die met potentieel kritische impact, zoals geautomatiseerde geneesmiddelenontdekking.

Er zullen ook problemen zijn met gegevensvoorkeur, die kunnen escaleren tot interactievoorkeur. Evenzo zullen toekomstige LLM-MA systemen die honderden agenten uitvoeren, complexere architectuur vereisen, rekening houdend met andere LLM-tekortkomingen, gegevens en machine learning-bewerkingen.

Bovendien moeten organisaties beveiligingsproblemen aanpakken en verantwoorde AI (RAI) praktijken bevorderen. Meer LLM’s en agenten verhogen de aanvalsoppervlakte voor alle AI-bedreigingen. Bedrijven moeten verschillende delen van hun LLM-MA systemen opsplitsen in gespecialiseerde actoren om meer controle te hebben over traditionele LLM-risico’s, waaronder beveiliging en RAI-elementen.

Verder moeten AI-governance-kaders complexer worden om ervoor te zorgen dat AI-producten betrouwbaar (d.w.z. robuust, verantwoordelijk, gemonitord en uitlegbaar), resident (d.w.z. veilig, beveiligd, privé en effectief) en verantwoord (d.w.z. eerlijk, ethisch, inclusief, duurzaam en doelgericht) zijn. De toenemende complexiteit zal ook leiden tot strengere regelgeving, waardoor het nog belangrijker wordt dat beveiliging en RAI onderdeel zijn van elke businesscase en oplossingsontwerp, evenals continue beleidsupdates, bedrijfstraining en -educatie en TEVV-strategieën (testen, evalueren, verifiëren en valideren).

De Volledige Waarde van een LLM-MA Systeem Uitbuiten: Gegevensoverwegingen

Om de volledige waarde van een LLM-MA systeem te benutten, moeten bedrijven erkennen dat LLM’s op zichzelf alleen algemene domeinkennis bezitten. Echter, kunnen LLM’s waardevolle AI-producten worden wanneer ze steunen op ondernemingsdomeinkennis, die meestal bestaat uit onderscheidende gegevensassets, bedrijfsdocumentatie, SME-kennis en informatie die is opgehaald uit openbare gegevensbronnen.

Bedrijven moeten overschakelen van data-centrisch, waar gegevens rapportage ondersteunen, naar AI-centrisch, waar gegevensbronnen samenwerken om AI te laten fungeren als een actor binnen het ondernemingsecosysteem. Als zodanig moeten bedrijven hun vermogen om hoogwaardige gegevensassets te cureren en te beheren uitbreiden naar deze nieuwe gegevenstypen. Evenzo hebben organisaties hun benadering van gegevens- en inzichtconsumptie gemoderniseerd, hun operationele model gewijzigd en governance geïntroduceerd die gegevens, AI en RAI verbindt.

Vanuit een toolperspectief kan GenAI extra hulp bieden met betrekking tot gegevens. In het bijzonder kunnen GenAI-hulpmiddelen ontologieën genereren, metadata maken, gegevenssignalen extraheren, complexe gegevensschema’s begrijpen, gegevensmigratie automatiseren en gegevensconversie uitvoeren. GenAI kan ook worden gebruikt om gegevenskwaliteit te verbeteren en als governance-specialisten en co-pilot of semi-autonome agenten fungeren. Al veel organisaties gebruiken GenAI om gegevens te democratiseren, zoals te zien is in ‘praat-met-je-gegevens’-mogelijkheden.

Continue Adoptie in de Tijd van Snelle Verandering

Een LLM voegt geen waarde toe of behaalt geen positief rendement op investering (ROI) op zichzelf, maar als onderdeel van toepassingen die gericht zijn op bedrijfsresultaten. De uitdaging is dat, in tegenstelling tot in het verleden, toen de technologische mogelijkheden van LLM’s enigszins bekend waren, nu nieuwe mogelijkheden dagelijks en soms wekelijks ontstaan, waardoor nieuwe bedrijfsmogelijkheden ontstaan. Bovenop deze snelle verandering ligt een voortdurend evoluerend regelgevings- en compliance-landschap, waardoor het vermogen om snel aan te passen cruciaal is voor succes.

De flexibiliteit die nodig is om van deze nieuwe mogelijkheden te profiteren, vereist dat bedrijven een mentaliteitsverandering ondergaan van silo’s naar samenwerking, waardoor de hoogste mate van aanpasbaarheid wordt bevorderd over technologie, processen en mensen, terwijl ze robuuste gegevensbeheer en verantwoorde innovatie implementeren. Uiteindelijk zullen de bedrijven die deze nieuwe paradigma’s omarmen de leiding nemen in de volgende golf van digitale transformatie, terwijl ze ondergaan een mentaliteitsverandering van silo’s naar samenwerking, waardoor de hoogste mate van aanpasbaarheid wordt bevorderd over technologie, processen en mensen, terwijl ze robuuste gegevensbeheer en verantwoorde innovatie implementeren.