Como os LLMs Multi-Agente Podem Permitir que os Modelos de IA Resolvam Tarefas Complexas de Forma Mais Eficaz

A maioria das organizações de hoje deseja utilizar grandes modelos de linguagem (LLMs) e implementar provas de conceito e agentes de inteligência artificial (IA) para otimizar custos dentro de seus processos de negócios e fornecer novas e criativas experiências de usuário. No entanto, a maioria dessas implementações são “únicas”. Como resultado, as empresas têm dificuldade em obter um retorno sobre o investimento (ROI) em muitos desses casos de uso.

A inteligência artificial gerativa (GenAI) promete ir além do software como co-piloto. Em vez de fornecer apenas orientação e ajuda a um especialista em matéria (SME), essas soluções poderiam se tornar os atores SME, executando ações de forma autônoma. Para que as soluções GenAI alcancem esse ponto, as organizações devem fornecer a elas conhecimento e memória adicionais, a capacidade de planejar e replanejar, bem como a capacidade de colaborar com outros agentes para realizar ações.

Enquanto os modelos únicos são adequados em alguns cenários, atuando como co-pilotos, as arquiteturas agênticas abrem a porta para que os LLMs se tornem componentes ativos da automação de processos de negócios. Como tal, as empresas devem considerar a utilização de sistemas LLM-baseados em multi-agente (LLM-MA) para simplificar processos de negócios complexos e melhorar o ROI.

O que é um Sistema LLM-MA?

Então, o que é um sistema LLM-MA? Em resumo, esse novo paradigma em tecnologia de IA descreve um ecossistema de agentes de IA, não entidades isoladas, trabalhando juntas de forma coesa para resolver desafios complexos.

As decisões devem ocorrer dentro de uma ampla gama de contextos, assim como a tomada de decisões confiáveis entre os seres humanos exige especialização. Os sistemas LLM-MA constroem essa mesma “inteligência coletiva” que um grupo de seres humanos desfruta por meio de vários agentes especializados interagindo juntos para alcançar um objetivo comum. Em outras palavras, assim como uma empresa reúne diferentes especialistas de várias áreas para resolver um problema, os sistemas LLM-MA operam.

As demandas dos negócios são muito grandes para um único LLM. No entanto, distribuindo as capacidades entre agentes especializados com habilidades e conhecimentos únicos, em vez de ter um LLM que suporte todas as responsabilidades, esses agentes podem concluir tarefas de forma mais eficiente e eficaz. Os LLMs multi-agente podem até “verificar” o trabalho uns dos outros por meio da verificação cruzada, reduzindo as “alucinações” para máxima produtividade e precisão.

Em particular, os sistemas LLM-MA utilizam um método de divisão e conquista para adquirir um controle mais refinado sobre outros aspectos de sistemas de IA complexos – notadamente, uma melhor ajuste fino a conjuntos de dados específicos, seleção de métodos (incluindo AI pré-transformador) para melhor explicabilidade, governança, segurança e confiabilidade e uso de ferramentas não-AI como parte de uma solução complexa. Dentro desse método de divisão e conquista, os agentes realizam ações e recebem feedback de outros agentes e dados, permitindo a adoção de uma estratégia de execução ao longo do tempo.

Oportunidades e Casos de Uso de Sistemas LLM-MA

Os sistemas LLM-MA podem automatizar processos de negócios de forma eficaz, pesquisando documentos estruturados e não estruturados, gerando código para consultar modelos de dados e realizando outras gerações de conteúdo. As empresas podem usar sistemas LLM-MA para vários casos de uso, incluindo desenvolvimento de software, simulação de hardware, desenvolvimento de jogos (especificamente, desenvolvimento de mundos), descobertas científicas e farmacêuticas, processos de gestão de capital, economia financeira e de comércio, etc.

Uma aplicação notável dos sistemas LLM-MA é a automação de centros de atendimento ao cliente. Nesse exemplo, uma combinação de modelos e outros atores programáticos utilizando fluxos de trabalho e procedimentos pré-definidos pode automatizar as interações do usuário final e realizar a triagem de solicitações por meio de texto, voz ou vídeo. Além disso, esses sistemas podem navegar pelo caminho de resolução mais ótimo, aproveitando o conhecimento procedimental e de SME com dados de personalização e invocando agentes do tipo RAG (Geração Aumentada de Recuperação) e não-LLM.

Em curto prazo, esse sistema não será totalmente automatizado – erros ocorrerão, e haverá necessidade de humanos no loop. A IA não está pronta para replicar experiências humanas devido à complexidade de testar conversas livres contra, por exemplo, preocupações de IA responsável. No entanto, a IA pode treinar em milhares de tickets de suporte históricos e loops de feedback para automatizar partes significativas das operações do centro de atendimento ao cliente, aumentando a eficiência, reduzindo o tempo de resolução de tickets e aumentando a satisfação do cliente.

Outra aplicação poderosa dos LLMs multi-agente é a criação de interfaces de colaboração humano-IA para conversas em tempo real, resolvendo tarefas que não eram possíveis antes. Inteligência de enxame conversacional (CSI), por exemplo, é um método que permite que 1000s de pessoas mantenham conversas em tempo real. Especificamente, a CSI permite que pequenos grupos dialoguem entre si enquanto diferentes grupos de agentes resumem threads de conversa. Em seguida, promove a propagação de conteúdo por todo o corpo de pessoas, permitindo a coordenação humana em uma escala sem precedentes.

Segurança, IA Responsável e Outros Desafios dos Sistemas LLM-MA

Apesar das oportunidades emocionais dos sistemas LLM-MA, alguns desafios surgem à medida que o número de agentes e o tamanho de seus espaços de ação aumentam. Por exemplo, as empresas precisarão abordar a questão das “alucinações” simples, que exigirão humanos no loop – uma parte designada deve ser responsável por sistemas agênticos, especialmente aqueles com impacto crítico potencial, como a descoberta automática de medicamentos.

também haverá problemas com viés de dados, que podem se transformar em viés de interação. Da mesma forma, futuros sistemas LLM-MA que executam centenas de agentes exigirão arquiteturas mais complexas, considerando outras limitações dos LLMs, dados e operações de aprendizado de máquina.

Além disso, as organizações devem abordar as preocupações de segurança e promover práticas de IA responsável (RAI). Mais LLMs e agentes aumentam a superfície de ataque para todas as ameaças de IA. As empresas devem decompor diferentes partes de seus sistemas LLM-MA em atores especializados para fornecer mais controle sobre os riscos tradicionais dos LLMs, incluindo segurança e elementos de RAI.

Além disso, à medida que as soluções se tornam mais complexas, os quadros de governança de IA também devem se tornar mais complexos para garantir que os produtos de IA sejam confiáveis (ou seja, robustos, responsáveis, monitorados e explicáveis), residentes (ou seja, seguros, seguros, privados e eficazes) e responsáveis (ou seja, justos, éticos, inclusivos, sustentáveis e propositais). A complexidade crescente também levará a regulamentações mais rigorosas, tornando ainda mais importante que a segurança e a RAI sejam parte de cada caso de negócios e design de solução desde o início, bem como atualizações de políticas contínuas, treinamento corporativo e educação e estratégias de TEVV (teste, avaliação, verificação e validação).

Extraindo o Valor Total de um Sistema LLM-MA: Considerações de Dados

Para que as empresas extraiam o valor total de um sistema LLM-MA, elas devem reconhecer que os LLMs, por si só, possuem apenas conhecimento de domínio geral. No entanto, os LLMs podem se tornar produtos de IA geradores de valor quando dependem do conhecimento de domínio da empresa, que geralmente consiste em ativos de dados diferenciados, documentação corporativa, conhecimento de SME e informações recuperadas de fontes de dados públicas.

As empresas devem mudar de um enfoque centrado em dados, onde os dados apoiam a geração de relatórios, para um enfoque centrado em IA, onde as fontes de dados se combinam para permitir que a IA se torne um ator dentro do ecossistema da empresa. Como tal, a capacidade das empresas de curar e gerenciar ativos de dados de alta qualidade deve se estender a esses novos tipos de dados. Da mesma forma, as organizações precisam modernizar sua abordagem de consumo de dados e insights, alterar seu modelo operacional e introduzir governança que une dados, IA e RAI.

Do ponto de vista das ferramentas, a GenAI pode fornecer ajuda adicional em relação aos dados. Em particular, as ferramentas GenAI podem gerar ontologias, criar metadados, extrair sinais de dados, dar sentido a esquemas de dados complexos, automatizar a migração de dados e realizar a conversão de dados. A GenAI também pode ser usada para melhorar a qualidade dos dados e atuar como especialistas em governança, bem como co-pilotos ou agentes semi-autônomos. Já, muitas organizações usam a GenAI para ajudar a democratizar os dados, como visto nas capacidades “fale com seus dados”.

Adoção Contínua na Era de Mudanças Rápidas

Um LLM não adiciona valor ou alcança um ROI positivo por si só, mas como parte de aplicações focadas em resultados de negócios. O desafio é que, ao contrário do passado, quando as capacidades tecnológicas dos LLMs eram conhecidas, hoje, novas capacidades surgem semanalmente e, às vezes, diariamente, apoiando novas oportunidades de negócios. Além disso, há um cenário regulatório e de conformidade em constante evolução, tornando a capacidade de se adaptar rapidamente crucial para o sucesso.

A flexibilidade necessária para aproveitar essas novas oportunidades exige que as empresas sofram uma mudança de mentalidade de silos para colaboração, promovendo o mais alto nível de adaptabilidade em tecnologia, processos e pessoas, enquanto implementam gerenciamento de dados robusto e inovação responsável. Em última análise, as empresas que abraçam esses novos paradigmas liderarão a próxima onda de transformação digital.