วิธีการที่โมเดลภาษาขนาดใหญ่หลายตัวสามารถช่วยให้โมเดล AI แก้ปัญหาเชิงซ้อนได้อย่างมีประสิทธิภาพ

ส่วนใหญ่ขององค์กรในปัจจุบันต้องการใช้โมเดลภาษาขนาดใหญ่ (LLM) และนำไปใช้ในการพิสูจน์แนวคิดและตัวแทน AI เพื่อเพิ่มประสิทธิภาพในการดำเนินธุรกิจและสร้างประสบการณ์ใหม่ๆ สำหรับผู้ใช้ อย่างไรก็ตาม ส่วนใหญ่ของการนำไปใช้นี้เป็นเพียงการนำไปใช้แบบ ‘หนึ่งครั้ง’ ซึ่งธุรกิจต่างๆ มักจะไม่สามารถสร้างผลตอบแทนจากการลงทุน (ROI) ในหลายกรณีได้

AI ที่สร้างขึ้น (GenAI) มีแนวโน้มที่จะไปไกลกว่านั้น โดยไม่เพียงแต่ให้คำแนะนำและความช่วยเหลือแก่ผู้เชี่ยวชาญเท่านั้น แต่ยังสามารถดำเนินการได้ด้วยตนเอง โดยไม่ต้องมีการควบคุมจากมนุษย์ เพื่อให้ GenAI สามารถเข้าถึงจุดนี้ได้ องค์กรจะต้องให้ความรู้และความจำเพิ่มเติมแก่พวกมัน รวมถึงความสามารถในการวางแผนและวางแผนใหม่ serta ความสามารถในการทำงานร่วมกับตัวแทนอื่นๆ เพื่อดำเนินการ

แม้ว่าโมเดลเดียวจะเหมาะสมในบางสถานการณ์ แต่สถาปัตยกรรมที่มีตัวแทนหลายตัวสามารถช่วยให้ LLM กลายเป็นส่วนประกอบที่มีประสิทธิภาพในการดำเนินธุรกิจ ดังนั้น องค์กรควรพิจารณาใช้ระบบ LLM-MA เพื่อปรับปรุงกระบวนการทางธุรกิจและเพิ่ม ROI

ระบบ LLM-MA คืออะไร?

ระบบ LLM-MA คือระบบที่ประกอบด้วยตัวแทน AI หลายตัวที่ทำงานร่วมกันเพื่อแก้ปัญหาเชิงซ้อน โดยไม่ใช่ตัวแทนเดี่ยวๆ ที่ทำงานแยกจากกัน

การตัดสินใจควรเกิดขึ้นในบริบทที่หลากหลาย เช่นเดียวกับการตัดสินใจที่เชื่อถือได้ของมนุษย์ ซึ่งต้องการความเชี่ยวชาญเฉพาะด้าน LLM-MA สร้าง ‘ความฉลาดที่รวบรวม’ แบบเดียวกับที่มนุษย์สามารถทำงานร่วมกันเพื่อแก้ปัญหาได้

ความต้องการของธุรกิจมีมากเกินไปสำหรับ LLM เดียว แต่โดยการกระจายความสามารถไปยังตัวแทนหลายตัวที่มีทักษะและความรู้เฉพาะตัว แทนที่จะให้ LLM เดียวรับผิดชอบทุกอย่าง ตัวแทนเหล่านี้สามารถทำงานได้อย่างมีประสิทธิภาพและแม่นยำมากขึ้น LLM-MA ยังสามารถ ‘ตรวจสอบ’ การทำงานของกันและกันผ่านการตรวจสอบข้าม เพื่อลด ‘การหลอกลวง’ และเพิ่มประสิทธิภาพและความแม่นยำ

โอกาสและกรณีการใช้งานของระบบ LLM-MA

ระบบ LLM-MA สามารถช่วยให้กระบวนการทางธุรกิจอัตโนมัติได้โดยการค้นหาเอกสารที่มีโครงสร้างและไม่มีโครงสร้าง การสร้างโค้ดเพื่อขอข้อมูล และการสร้างเนื้อหาอื่นๆ องค์กรสามารถใช้ระบบ LLM-MA ในหลายกรณี เช่น การพัฒนาซอฟต์แวร์ การจำลองฮาร์ดแวร์ การพัฒนาเกม (โดยเฉพาะการพัฒนาโลก) การค้นพบทางวิทยาศาสตร์และเภสัชกรรม การจัดการทุน และกระบวนการทางเศรษฐกิจและการค้า

การนำไปใช้งานที่น่าสังเกตของระบบ LLM-MA คือการอัตโนมัติของศูนย์บริการลูกค้า ในตัวอย่างนี้ การรวมของโมเดลและตัวแทนโปรแกรมอื่นๆ ที่ใช้กระบวนการและขั้นตอนที่กำหนดไว้ล่วงหน้าสามารถอัตโนมัติในการโต้ตอบกับลูกค้าและดำเนินการตามคำขอผ่านข้อความ เสียง หรือวิดีโอ

ในระยะสั้น ระบบนี้จะไม่ได้รับการอัตโนมัติเต็มที่ – จะมีข้อผิดพลาดและต้องมีมนุษย์ในวงจร AI ยังไม่พร้อมที่จะสร้างประสบการณ์เหมือนมนุษย์เนื่องจากความซับซ้อนของการทดสอบการโต้ตอบแบบอิสระ แต่ AI สามารถฝึกฝนจากตั๋วสนับสนุนและวงจรข้อเสนอแนะทางประวัติศาสตร์หลายพันรายการเพื่ออัตโนมัติส่วนสำคัญของการดำเนินงานศูนย์บริการลูกค้า เพิ่มประสิทธิภาพ ลดเวลาในการแก้ไขปัญหา และเพิ่มความพึงพอใจของลูกค้า

ความปลอดภัย AI ที่รับผิดชอบ และความท้าทายอื่นๆ ของระบบ LLM-MA

尽管มีโอกาสที่น่าตื่นเต้นของระบบ LLM-MA แต่ก็มีความท้าทายบางอย่างที่เกิดขึ้นเมื่อจำนวนของตัวแทนและขนาดของพื้นที่การกระทำเพิ่มขึ้น เช่น องค์กรจะต้องจัดการกับปัญหา ‘การหลอกลวง’ ซึ่งจะต้องมีมนุษย์ในวงจร – ฝ่ายที่ได้รับมอบหมายจะต้องรับผิดชอบต่อระบบตัวแทน โดยเฉพาะอย่างยิ่งสำหรับระบบที่มีผลกระทบสำคัญ เช่น การค้นพบยาใหม่

จะมีปัญหาเกี่ยวกับข้อมูลที่มีอคติ ซึ่งสามารถส่งผลต่อการโต้ตอบได้ ในทำนองเดียวกัน ระบบ LLM-MA ในอนาคตที่มีตัวแทนหลายร้อยตัวจะต้องมีสถาปัตยกรรมที่ซับซ้อนมากขึ้น และต้องคำนึงถึงข้อบกพร่องของ LLM และการดำเนินการของข้อมูลและการเรียนรู้ของเครื่อง

นอกจากนี้ องค์กรจะต้องจัดการกับข้อกังวลด้านความปลอดภัยและส่งเสริมแนวปฏิบัติ AI ที่รับผิดชอบ (RAI) ระบบ LLM-MA ที่มีตัวแทนหลายตัวจะเพิ่มพื้นที่การโจมตีสำหรับภัยคุกคาม AI ทั้งหมด องค์กรจะต้องแยกส่วนต่างๆ ของระบบ LLM-MA ออกเป็นตัวแทนเฉพาะเพื่อให้ได้การควบคุมที่ดีขึ้นเกี่ยวกับความเสี่ยงด้านความปลอดภัยและ RAI

การดึงคุณค่าสูงสุดจากระบบ LLM-MA: การพิจารณาข้อมูล

เพื่อให้องค์กรมีคุณค่าสูงสุดจากระบบ LLM-MA องค์กรจะต้องตระหนักว่า LLM มีเพียงความรู้ทั่วไปเท่านั้น แต่ LLM สามารถกลายเป็นผลิตภัณฑ์ AI ที่สร้างมูลค่าเมื่อพวกมันพึ่งพาความรู้ขององค์กร ซึ่งโดยทั่วไปประกอบด้วยทรัพย์สินข้อมูลที่แตกต่างเอกสารขององค์กร ความรู้ของ SME และข้อมูลที่ได้รับจากแหล่งข้อมูลสาธารณะ

องค์กรจะต้องเปลี่ยนจากการจัดข้อมูลเป็นศูนย์กลาง ซึ่งข้อมูลสนับสนุนการรายงาน ไปสู่การจัด AI เป็นศูนย์กลาง ซึ่งข้อมูลรวมกันเพื่อเพิ่มประสิทธิภาพ AI ให้กลายเป็นตัวแทนภายในระบบนิเวศขององค์กร ดังนั้น องค์กรจะต้องปรับปรุงความสามารถในการจัดและจัดการทรัพย์สินข้อมูลที่มีคุณภาพสูงให้ครอบคลุมประเภทข้อมูลใหม่ๆ

การนำไปใช้อย่างต่อเนื่องในยุคที่มีการเปลี่ยนแปลงอย่างรวดเร็ว

LLM ไม่เพิ่มคุณค่าหรือสร้าง ROI ที่ดีโดยตัวมันเอง แต่เป็นส่วนหนึ่งของแอปพลิเคชันที่มุ่งเน้นผลลัพธ์ทางธุรกิจ ความท้าทายคือ เทคโนโลยี LLM มีการเปลี่ยนแปลงอย่างรวดเร็ว โดยมีความสามารถใหม่ๆ ที่เกิดขึ้นทุกสัปดาห์หรือทุกวัน ซึ่งสนับสนุนโอกาสทางธุรกิจใหม่ๆ

ความยืดหยุ่นที่จำเป็นในการใช้ประโยชน์จากโอกาสใหม่เหล่านี้ต้องทำให้องค์กรเปลี่ยนจากสิ่งที่เป็นแบบส่วนตัวไปสู่การทำงานร่วมกัน โดยส่งเสริมความสามารถในการปรับตัวที่สูงที่สุดในด้านเทคโนโลยี กระบวนการ และคน โดยการนำการบริหารจัดการข้อมูลที่มีประสิทธิภาพและนวัตกรรมที่รับผิดชอบมาใช้ องค์กรที่ยอมรับวิธีการใหม่เหล่านี้จะนำหน้าการเปลี่ยนแปลงดิจิทัลในอนาคต