Hvordan fler-agents LLM-er kan aktivere AI-modeller til å løse komplekse oppgaver mer effektivt

De fleste organisasjonene i dag ønsker å utnytte store språkmodeller (LLM-er) og implementere bevis på konsepter og kunstig intelligens (AI)-agenter for å optimalisere kostnader i sine forretningsprosesser og levere nye og kreative brukeropplevelser. Imidlertid er de fleste av disse implementeringene ‘one-offs’. Som et resultat sliter bedriftene med å realisere en avkastning på investeringen (ROI) i mange av disse bruksområdene.

Generativ AI (GenAI) lover å gå utenfor programvare som co-pilot. I stedet for å bare gi veiledning og hjelp til en fagperson, kan disse løsningene bli fagpersonene selv, som utfører handlinger autonomt. For at GenAI-løsningene skal nå dette punktet, må organisasjonene gi dem ytterligere kunnskap og minne, evnen til å planlegge og omplanlegge, samt evnen til å samarbeide med andre agenter for å utføre handlinger.

I motsetning til enkeltmodeller, som er egnet i visse scenarioer og fungerer som co-piloter, åpner agenterkitekturer døren for LLM-er til å bli aktive komponenter i automatisering av forretningsprosesser. Derfor bør bedriftene vurdere å bruke LLM-baserte fler-agentsystemer for å strømlinje komplekse forretningsprosesser og forbedre ROI.

Hva er et LLM-MA-system?

Hva er et LLM-MA-system? Kort sagt beskriver denne nye paradigmen i AI-teknologi en økosystem av AI-agenter, ikke isolerte enheter, som arbeider sammen for å løse komplekse utfordringer.

Beslutninger bør treffes innenfor et bredt spekter av kontekster, likeledes som pålitelig beslutningstaking blant mennesker krever spesialisering. LLM-MA-systemer bygger opp denne samme ‘kollektive intelligensen’ som en gruppe mennesker nyter gjennom flere spesialiserte agenter som samarbeider for å nå et felles mål. Med andre ord, på samme måte som en bedrift samler sammen forskjellige eksperter fra ulike felt for å løse ett problem, fungerer LLM-MA-systemer på samme måte.

Forretningskravene er for store for en enkelt LLM. Imidlertid, ved å distribuere kapasiteter blant spesialiserte agenter med unike ferdigheter og kunnskap i stedet for å la en LLM bære alle byrdene, kan disse agentene fullføre oppgaver mer effektivt og effektive. Fler-agents LLM-er kan sogar ‘sjekke’ hverandres arbeid gjennom korsverifisering, redusere ‘hallusinasjoner’ for maksimal produktivitet og nøyaktighet.

I særlig grad bruker LLM-MA-systemer en delt-og-erobr-metode for å oppnå mer finjustert kontroll over andre aspekter av komplekse AI-aktiverede systemer – særlig, bedre finjustering til bestemte datasamlinger, valg av metoder (inkludert pre-transformator AI) for bedre forklarbarhet, styring, sikkerhet og pålitelighet og bruk av ikke-AI-verktøy som en del av en kompleks løsning. Innenfor denne delt-og-erobr-tilnærmingen utfører agentene handlinger og mottar tilbakemeldinger fra andre agenter og data, hvilket muliggjør tilpasning av en utførelsestrategi over tid.

Muligheter og bruksområder for LLM-MA-systemer

LLM-MA-systemer kan effektivt automatisere forretningsprosesser ved å søke gjennom strukturerte og ustrukturerte dokumenter, generere kode for å spørring av datamodeller og utføre annen innholdsgenerering. Bedrifter kan bruke LLM-MA-systemer for flere bruksområder, inkludert programvareutvikling, hardwaresimulering, spillutvikling (spesifikt, verdensutvikling), vitenskapelige og farmasøytiske oppdagelser, kapitalforvaltningsprosesser, finansielle og handelsøkonomi osv.

En merkelig anvendelse av LLM-MA-systemer er automatisering av call-/servicenter. I dette eksempelet kan en kombinasjon av modeller og andre programmeringsaktører som bruker forhåndsdefinerte arbeidsflyter og prosedyrer automatisere slutbrukerinteraksjoner og utføre forespørselstriage via tekst, tale eller video. I tillegg kan disse systemene navigere den mest optimale løsningsveien ved å utnytte prosedyre- og fagpersonkunnskap med personlig data og å invokere Retrieval Augmented Generation (RAG)-type og ikke-LLM-agenter.

På kort sikt vil dette systemet ikke være fullstendig automatisert – feil vil skje, og det vil være nødvendig med mennesker i løkken. AI er ikke klar til å replikere menneskelige erfaringer på grunn av kompleksiteten ved å teste fri flytende samtale mot, for eksempel, ansvarlig AI-bekymringer. Imidlertid kan AI trenes på tusenvis av historiske støttebilletter og tilbakemeldingsløkker for å automatisere betydelige deler av call-/servicenter-operasjoner, øke effektiviteten, redusere billett-løsningstid og øke kundetilfredshet.

En annen kraftig anvendelse av fler-agents LLM-er er å skape menneske-AI-samarbeidsgrensesnitt for sanntidskonversasjoner, som løser oppgaver som ikke var mulige tidligere. Samtale-sverm-intelligens (CSI), for eksempel, er en metode som muliggjør at tusenvis av mennesker kan holde sanntidskonversasjoner. Spesifikt tillater CSI at små grupper dialogiserer med hverandre samtidig som ulike grupper av agenter summerer samtaletråder. Den fremmer deretter innholdsspredning over hele menneskegruppen, som muliggjør menneskelig koordinering i en tidligere uoppnåelig skala.

Sikkerhet, ansvarlig AI og andre utfordringer for LLM-MA-systemer

Til tross for de spennende mulighetene for LLM-MA-systemer, oppstår noen utfordringer med denne tilnærmingen når antallet agenter og størrelsen på deres handlingsrom øker. For eksempel må bedrifter håndtere problemet med vanlige hallusinasjoner, som vil kreve mennesker i løkken – en designert part må være ansvarlig for agenter-systemer, spesielt de med potensiell kritisk innvirkning, som automatisert legemiddelforskning.

Det vil også være problemer med datasammenstilling, som kan snøball til interaksjonssammenstilling. Likedan vil fremtidige LLM-MA-systemer som kjører hundredvis av agenter kreve mer komplekse arkitekturer samtidig som de tar hensyn til andre LLM-mangler, data og maskinlæringsoperasjoner.

I tillegg må organisasjonene håndtere sikkerhetsproblemer og fremme ansvarlig AI (RAI)-praksis. Flere LLM-er og agenter øker angrepsflaten for alle AI-trusler. Bedrifter må dekomponere ulike deler av sine LLM-MA-systemer i spesialiserte aktører for å gi mer kontroll over tradisjonelle LLM-risikoer, inkludert sikkerhet og RAI-elementer.

I tillegg, ettersom løsningene blir mer komplekse, må også AI-styringsrammeverk bli mer komplekse for å sikre at AI-produktene er pålitelige (dvs. robuste, ansvarlige, overvåkede og forklarbare), residerende (dvs. trygge, sikre, private og effektive) og ansvarlige (dvs. rettferdige, etiske, inkluderende, bærekraftige og målrettede). Økende kompleksitet vil også føre til strengere reguleringer, noe som gjør det enda viktigere at sikkerhet og RAI er en del av hver forretningscase og løsningsdesign fra starten av, samt kontinuerlige politiske oppdateringer, bedriftstrenings- og utdanningsstrategier og TEVV-strategier (testing, evaluering, verifisering og validering).

Å trekke ut full verdi fra et LLM-MA-system: Data-overveielser

For at bedrifter skal kunne trekke ut full verdi fra et LLM-MA-system, må de erkjenne at LLM-er på egen hånd bare besitter generell domenekunnskap. Imidlertid kan LLM-er bli verdiskapende AI-produkter når de baserer seg på bedriftens domenekunnskap, som vanligvis består av differensiert datasamlinger, bedriftsdokumentasjon, fagpersonkunnskap og informasjon hentet fra offentlige datasamlinger.

Bedrifter må skifte fra data-sentrert, der data støtter rapportering, til AI-sentrert, der datasamlinger kombineres for å aktivere AI til å bli en aktør innen bedriftens økosystem. Som sådan må bedrifters evne til å kuratere og håndtere høykvalitets datasamlinger utvides til å omfatte disse nye datasamlingstypene. Likedan må organisasjonene modernisere sin data- og innsiktforbrukstilnærming, endre sin driftsmodell og innføre styring som forener data, AI og RAI.

Fra et verktøyperspektiv kan GenAI gi ytterligere hjelp med hensyn til data. Spesifikt kan GenAI-verktøy generere ontologier, opprette metadata, trekke ut datasignaler, gi mening til komplekse dataschemer, automatisere data-migrering og utføre dataomforming. GenAI kan også brukes til å forbedre datakvaliteten og fungere som styringsspesialister samt co-piloter eller semi-autonome agenter. Allerede brukes GenAI av mange organisasjoner til å hjelpe med å demokratisere data, som vi ser i ‘snakk-til-din-data’-funksjoner.

Kontinuerlig tilpasning i en tid med rask endring

En LLM legger ikke til verdi eller oppnår positiv ROI på egen hånd, men som en del av forretningsresultat-fokuserte applikasjoner. Utfordringen er at, i motsetning til tidligere, da de tekniske evnene til LLM-er var noenlunde kjente, oppstår det nå nye evner ukentlig og noen ganger daglig, som støtter nye forretningsmuligheter. Ovenfor denne raske endringen ligger et evoluerende reguleringss- og samfunnslandskap, som gjør evnen til å tilpasse seg raskt avgjørende for suksess.

Den fleksibiliteten som er nødvendig for å dra nytte av disse nye mulighetene, krever at bedrifter gjennomgår en holdningsendring fra siloer til samarbeid, som fremmer det høyeste nivået av tilpasning over teknologi, prosesser og mennesker samtidig som de implementerer robust datasammenstilling og ansvarlig innovasjon. Til slutt vil de bedriftene som omfavner disse nye paradigmerne lede den neste bølgen av digital transformasjon.