Hur Multi-Agent LLMs Kan Möjliggöra Att AI-Modeller Mer Effektivt Löser Komplexa Uppgifter

De flesta organisationer idag vill använda stora språkmodeller (LLM) och implementera bevis för koncept och artificiell intelligens (AI) -agenter för att optimera kostnader inom sina affärsprocesser och leverera nya och kreativa användarupplevelser. Men majoriteten av dessa implementationer är “one-offs”. Som ett resultat kämpar företagen för att förverkliga en avkastning på investeringen (ROI) i många av dessa användningsfall.

Generativ AI (GenAI) lovar att gå utöver programvara som co-pilot. Istället för att bara ge vägledning och hjälp till en ämnesexpert (SME), kan dessa lösningar bli SME-aktörer, som autonomt utför åtgärder. För att GenAI-lösningar ska komma till denna punkt måste organisationer ge dem ytterligare kunskap och minne, förmåga att planera och omplanera, samt förmåga att samarbeta med andra agenter för att utföra åtgärder.

Medan enskilda modeller är lämpliga i vissa scenarier, som co-piloter, öppnar agensarkitekturer dörren för LLM att bli aktiva komponenter i affärsprocessautomatisering. Som sådana bör företagen överväga att använda LLM-baserade multi-agent (LLM-MA) system för att strömlinjeforma komplexa affärsprocesser och förbättra ROI.

Vad är ett LLM-MA System?

Vad är då ett LLM-MA system? Kort sagt beskriver denna nya paradigm inom AI-teknik en ekosystem av AI-agenter, inte isolerade enheter, som arbetar sammanhängande för att lösa komplexa utmaningar.

Beslut bör fattas inom en bred kontext, precis som tillförlitlig beslutsfattning bland människor kräver specialisering. LLM-MA system bygger denna “kollektiva intelligens” som en grupp människor åtnjuter genom flera specialiserade agenter som interagerar tillsammans för att uppnå ett gemensamt mål. Med andra ord, på samma sätt som ett företag samlar ihop olika experter från olika områden för att lösa ett problem, fungerar LLM-MA system på samma sätt.

Företagens krav är för stora för en enda LLM. Men genom att distribuera funktioner bland specialiserade agenter med unika färdigheter och kunskap, istället för att en LLM ska axla allt ansvar, kan dessa agenter slutföra uppgifter mer effektivt och effektivt. Multi-agent LLM kan sogar “kontrollera” varandras arbete genom cross-verifiering, minska “hallucinationer” för maximal produktivitet och noggrannhet.

I synnerhet använder LLM-MA system en “divide-and-conquer”-metod för att förvärva mer raffinerad kontroll över andra aspekter av komplexa AI-aktiverade system – framför allt, bättre finjustering till specifika datauppsättningar, urvalsmetoder (inklusive pre-transformator AI) för bättre förklarbarhet, styrning, säkerhet och tillförlitlighet och användning av icke-AI-verktyg som en del av en komplex lösning. Inom denna “divide-and-conquer”-ansats utför agenter åtgärder och tar emot feedback från andra agenter och data, vilket möjliggör antagandet av en exekveringsstrategi över tid.

Möjligheter och Användningsfall för LLM-MA System

LLM-MA system kan effektivt automatisera affärsprocesser genom att söka igenom strukturerade och ostrukturerade dokument, generera kod för att fråga datamodeller och utföra annan innehållsgenerering. Företag kan använda LLM-MA system för flera användningsfall, inklusive programvaruutveckling, hårdvarusimulering, speltillverkning (specifikt, världstillverkning), vetenskapliga och farmaceutiska upptäckter, kapitalhanteringsprocesser, finansiell och handelsekonomi, etc.

En anmärkningsvärd tillämpning av LLM-MA system är automatisering av call-/servicecenter. I detta exempel kan en kombination av modeller och andra programmatiska aktörer som använder fördefinierade arbetsflöden och procedurer automatisera slutanvändarinteraktioner och utföra begäranstriage via text, röst eller video. Dessutom kan dessa system navigera den mest optimala lösningssvägen genom att utnyttja procedur- och SME-kunskap med personlig data och anropa Retrieval Augmented Generation (RAG)-typ och icke-LLM-agenter.

På kort sikt kommer detta system inte att vara fullständigt automatiserat – fel kommer att ske, och det kommer att finnas behov av människor i loopen. AI är inte redo att replikera mänskliga upplevelser på grund av komplexiteten i testning av fria konversationsflöden mot till exempel ansvarsfulla AI-bekymmer. Men AI kan träna på tusentals historiska supportbiljetter och feedbackloopar för att automatisera betydande delar av call-/servicecenteroperationer, förbättra effektivitet, minska biljettlösentid och öka kundtillfredsställelse.

En annan kraftfull tillämpning av multi-agent LLM är skapandet av mänsklig-AI-samarbetsgränssnitt för realtidskonversationer, som löser uppgifter som inte var möjliga tidigare. Konversations-swarms-intelligens (CSI), till exempel, är en metod som möjliggör att 1000-tals människor håller realtidskonversationer. Specifikt möjliggör CSI att små grupper dialogiserar med varandra samtidigt som olika grupper av agenter sammanfattar konversationstrådar. Det främjar sedan innehållspropagation över den större kroppen av människor, vilket möjliggör mänsklig samordning i en aldrig tidigare skådad skala.

Säkerhet, Ansvarsfull AI och Andra Utmaningar för LLM-MA System

Trots de spännande möjligheterna med LLM-MA system uppstår vissa utmaningar för denna ansats allteftersom antalet agenter och storleken på deras åtgärdsutrymme ökar. Till exempel måste företagen hantera problemet med vanliga “hallucinationer”, som kommer att kräva människor i loopen – en utsedd part måste vara ansvarig för agenssystem, särskilt de med potentiell kritisk påverkan, såsom automatiserad läkemedelsupptäckt.

Det kommer också att finnas problem med datavoro, som kan snöbolla till interaktionsvoro. Likaså kommer framtida LLM-MA system som kör hundratals agenter att kräva mer komplexa arkitekturer samtidigt som de tar hänsyn till andra LLM-brister, data och maskinlärningsoperationer.

Dessutom måste organisationer hantera säkerhetsproblem och främja ansvarsfull AI (RAI)-praxis. Fler LLM och agenter ökar attackytan för alla AI-hot. Företagen måste bryta ner olika delar av sina LLM-MA system i specialiserade aktörer för att ge mer kontroll över traditionella LLM-risker, inklusive säkerhet och RAI-element.

Dessutom, allteftersom lösningarna blir mer komplexa, måste AI-styrningsramarna också bli mer komplexa för att säkerställa att AI-produkter är tillförlitliga (dvs. robusta, ansvariga, övervakade och förklarliga), resident (dvs. säkra, säkra, privata och effektiva) och ansvarsfulla (dvs. rättvisa, etiska, inkluderande, hållbara och ändamålsenliga). Ökad komplexitet kommer också att leda till stramare regleringar, vilket gör det ännu viktigare att säkerhet och RAI är en del av varje affärsfall och lösningsdesign från början, samt kontinuerliga policyuppdateringar, företagsutbildning och utbildning och TEVV-strategier (testning, utvärdering, validering och verifiering).

Att Utvinna Full Värde från ett LLM-MA System: Dataöverväganden

För att företag ska kunna utvinna fullt värde från ett LLM-MA system måste de inse att LLM endast besitter allmän domänkunskap. Men LLM kan bli värdeskapande AI-produkter när de förlitar sig på företagsdomänkunskap, som vanligtvis består av differentierade data tillgångar, företagsdokumentation, SME-kunskap och information som hämtats från offentliga datakällor.

Företagen måste skifta från datacentrerad, där data stöder rapportering, till AI-centrerad, där datakällor kombineras för att ge AI möjlighet att bli en aktör inom företagets ekosystem. Som sådan måste företagens förmåga att kurera och hantera högkvalitativa data tillgångar utökas till dessa nya datatyper. Likaså behöver organisationer modernisera sin data- och insiktshantering, ändra sin driftsmodell och införa styrning som förenar data, AI och RAI.

Från ett verktygsperspektiv kan GenAI ge ytterligare hjälp när det gäller data. Specifikt kan GenAI-verktyg generera ontologier, skapa metadata, extrahera data signaler, ge mening åt komplexa data scheman, automatisera data migration och utföra data konvertering. GenAI kan också användas för att förbättra datakvalitet och fungera som styrningsspecialister samt co-piloter eller semi-autonoma agenter. Redan använder många organisationer GenAI för att demokratisera data, som ses i “prata-till-din-data”-funktioner.

Kontinuerlig Antagande i Tiden för Snabb Förändring

En LLM adderar inte värde eller uppnår positiv ROI på egen hand, utan som en del av affärsresultatfokuserade applikationer. Utmaningen är att, till skillnad från tidigare, när de tekniska förmågorna hos LLM var ganska kända, dyker nya förmågor upp veckovis och ibland dagligen, vilket stöder nya affärsmöjligheter. Ovanpå denna snabba förändring finns en ständigt föränderlig reglerings- och efterlevnadslandskap, vilket gör det viktigt att anpassa sig snabbt för att lyckas.

Den flexibilitet som krävs för att dra nytta av dessa nya möjligheter kräver att företagen genomgår en förändring av sinnet från silos till samarbete, som främjar den högsta nivån av anpassningsförmåga över teknik, processer och människor samtidigt som de implementerar robust datahantering och ansvarsfull innovation. Till slut kommer de företag som antar dessa nya paradigm att leda den nästa vågen av digital transformation.