Як багатокомпонентні моделі великих мовних моделей (LLM) можуть дозволити моделям штучного інтелекту більш ефективно розв’язувати складні завдання

Більшість організацій сьогодні хочуть використовувати великі мовні моделі (LLM) та реалізовувати докази концепції та штучного інтелекту (AI) для оптимізації витрат у своїх бізнес-процесах та надання нових і творчих користувацьких досвідів. Однак більшість цих реалізацій є одноразовими. В результаті компанії мають труднощі з отриманням повернення інвестицій (ROI) у багатьох з цих випадків.

Генеративний штучний інтелект (GenAI) обіцяє вийти за межі програмного забезпечення, такого як співпілот. Замість того, щоб просто надавати допомогу та підтримку експерту у певній галузі (SME), ці рішення можуть стати експертами у певній галузі, автономно виконуючи дії. Для того, щоб GenAI-дослідження дійшли до цього рівня, організації повинні надати їм додаткові знання та пам’ять, можливість планувати та перепланувати, а також можливість співпрацювати з іншими агентами для виконання дій.

Однак окремі моделі підходять лише у деяких сценаріях, діючи як співпілоти, архітектури агентів відкривають двері для LLM, щоб вони стали активними компонентами автоматизації бізнес-процесів. Таким чином, підприємства повинні розглянути можливість використання систем багатокомпонентних моделей великих мовних моделей (LLM-MA) для оптимізації складних бізнес-процесів та покращення ROI.

Що таке система LLM-MA?

Що таке система LLM-MA? Коротко кажучи, ця нова парадигма у технології штучного інтелекту описує екосистему агентів штучного інтелекту, а не ізольовані сутності, які працюють разом для розв’язання складних завдань.

Рішення повинні прийматися у широкому спектрі контекстів, як і надійне прийняття рішень серед людей вимагає спеціалізації. Системи LLM-MA будують цю саму «колективну інтелект» того, що група людей має через взаємодію кількох спеціалізованих агентів для досягнення спільної мети. Інакше кажучи, так само, як бізнес об’єднує різних експертів з різних галузей для розв’язання однієї проблеми, так і системи LLM-MA працюють.

Бізнес-вимоги надто великі для однієї LLM. Однак, розподіляючи можливості серед спеціалізованих агентів з унікальними навичками та знаннями, а не навантажуючи одну LLM усім тягарем, ці агенти можуть виконувати завдання більш ефективно та ефективно. Багатокомпонентні LLM навіть можуть «перевірити» роботу один одного через взаємну перевірку, знижуючи рівень «галюцинацій» для максимальної продуктивності та точності.

Зокрема, системи LLM-MA використовують метод «поділ і завоювання», щоб здобути більш точний контроль над іншими аспектами складних систем, що використовують штучний інтелект – зокрема, краще налаштування до конкретних наборів даних, вибір методів (включаючи до-трансформер штучний інтелект) для кращої пояснюваності, управління, безпеки та надійності та використання не-штучного інтелекту інструментів як частини складного рішення. У цьому підході агенти виконують дії та отримують зворотний зв’язок від інших агентів та даних, що дозволяє прийняти стратегію виконання з часом.

Можливості та випадки використання систем LLM-MA

Системи LLM-MA можуть ефективно автоматизувати бізнес-процеси шляхом пошуку у структурованих та неструктурованих документах, генерації коду для запиту моделей даних та виконання інших завдань з генерації вмісту. Компанії можуть використовувати системи LLM-MA для різних випадків використання, включаючи розробку програмного забезпечення, апаратне моделювання, розробку ігор (зокрема, створення світу), наукових та фармацевтичних відкриттів, процесів капітального управління, фінансової та торгової економіки тощо.

Одним з видатних застосунків систем LLM-MA є автоматизація центрів обслуговування/зв’язку. У цьому прикладі комбінація моделей та інших програмних акторів, що використовують попередньо визначені робочі процеси та процедури, можуть автоматизувати взаємодію з кінцевими користувачами та виконувати запит на розгляд через текст, голос або відео. Крім того, ці системи можуть знайти найоптимальніший шлях розв’язання, використовуючи процедурні та знання експертів з персоналізацією даних та викликаючи агентів типу Retrieval Augmented Generation (RAG) та не-LLM агентів.

У короткій перспективі ця система не буде повністю автоматизованою – помилки трапляться, і люди повинні бути у циклі. Штучний інтелект ще не готовий до реплікації людського досвіду через складність тестування вільної розмови проти, наприклад, проблем відповідального штучного інтелекту. Однак штучний інтелект може навчитися на тисячах історичних тікетів підтримки та петлях зворотного зв’язку, щоб автоматизувати значні частини операцій центрів обслуговування/зв’язку, підвищуючи ефективність, скорочуючи час розв’язання тікетів та підвищуючи задоволеність клієнтів.

Іншим потужним застосуванням багатокомпонентних LLM є створення інтерфейсів співпраці людини та штучного інтелекту для реальних розмов, розв’язання завдань, які раніше були неможливі. Конверсаційна рійова інтелект (CSI), наприклад, є методом, який дозволяє тисячам людей проводити реальні розмови. Зокрема, CSI дозволяє малим групам діалогізувати один з одним, тоді як різні групи агентів підсумовують нитки розмов. Це сприяє розповсюдженню вмісту серед усієї групи людей, що дозволяє людській координації на безпрецедентному рівні.

Безпека, відповідальний штучний інтелект та інші виклики систем LLM-MA

Незважаючи на цікаві можливості систем LLM-MA, деякі виклики виникають при збільшенні кількості агентів та розміру їхніх просторів дій. Наприклад, бізнес повинен вирішити проблему звичайних «галюцинацій», що вимагатиме людей у циклі – призначена сторона повинна бути відповідальною за агентські системи, особливо ті, які мають потенційний критичний вплив, наприклад, автоматичне відкриття ліків.

Також будуть проблеми з упередженою інформацією, яка може снежинкою перетворитися на взаємодію упередженості. Аналогічно, майбутні системи LLM-MA, що працюють сотнями агентів, будуть вимагати більш складних архітектур, враховуючи інші недоліки LLM, дані та операції машинного навчання.

Крім того, організації повинні вирішити питання безпеки та сприяти практиці відповідального штучного інтелекту (RAI). Більше LLM та агентів збільшує поверхню атаки для всіх загроз штучного інтелекту. Компанії повинні розбити різні частини своїх систем LLM-MA на спеціалізовані актори, щоб забезпечити більший контроль над традиційними ризиками LLM, включаючи безпеку та елементи RAI.

Крім того, оскільки рішення стають більш складними, так само повинні розвиватися рамки управління штучним інтелектом, щоб забезпечити, що продукти штучного інтелекту є надійними (тобто стійкими, підзвітними, моніторованими та пояснюваними), життєздатними (тобто безпечними, захищеними, приватними та ефективними) та відповідальними (тобто справедливими, етичними, інклюзивними, сталими та цілеспрямованими). Зростання складності також призведе до посилення регулювання, що робить ще більш важливим, щоб безпека та RAI були частиною кожного бізнес-кейсу та дизайну рішення з самого початку, а також безперервних оновлень політики, корпоративної освіти та стратегій тестування, оцінки, верифікації та валідації (TEVV).

Відокремлення повної цінності від системи LLM-MA: розглянення даних

Для того, щоб компанії могли відокремити повну цінність від системи LLM-MA, вони повинні визнати, що LLM самі по собі володіють лише загальними знаннями у галузі. Однак LLM можуть стати цінними продуктами штучного інтелекту, коли вони спираються на знання підприємства у галузі, яке зазвичай складається з диференційованих активів даних, корпоративної документації, знань експертів та інформації, отриманої з публічних джерел даних.

Бізнес повинен перейти від даних, орієнтованих на звітність, до штучного інтелекту, орієнтованого на дані, де джерела даних об’єднуються для надання штучному інтелекту можливості стати актором у екосистемі підприємства. Таким чином, здатність компаній курирувати та керувати високоякісними активами даних повинна розширитися до цих нових типів даних. Аналогічно, організації повинні модернізувати свій підхід до споживання даних та інформації, змінити свою операційну модель та впровадити управління, яке об’єднує дані, штучний інтелект та RAI.

З точки зору інструментів, GenAI може надати додаткову допомогу щодо даних. Зокрема, інструменти GenAI можуть генерувати онтології, створювати метадані, витягувати сигнали даних, давати зрозуміти складні схеми даних, автоматизувати міграцію даних та виконувати перетворення даних. GenAI також можна використовувати для покращення якості даних та виконання ролі спеціалістів з управління та співпілотів або напівавтономних агентів. Вже багато організацій використовують GenAI, щоб допомогти демократизувати дані, як видно в можливостях «говорити зі своїми даними».

Постійна адаптація в епоху швидких змін

LLM не додає цінності або досягає позитивного ROI самостійно, а як частина застосунків, орієнтованих на бізнес-результати. Виклик полягає в тому, що, на відміну від минулого, коли технологічні можливості LLM були досить відомі, сьогодні нові можливості з’являються щотижня та іноді щодня, підтримуючи нові бізнес-можливості. На додаток до цього швидкого змін є постійно змінювана регуляторна та нормативна база, що робить здатність швидко адаптуватися важливою для успіху.

Гнучкість, необхідна для використання цих нових можливостей, вимагає, щоб компанії пройшли зміну парадигми від ізольованих структур до співпраці, сприяючи найвищому рівню адаптивності у технологіях, процесах та людях, реалізуючи надійне керування даними та відповідальну інновацію. Врешті-решт, компанії, які приймуть ці нові парадигми, очолять наступну хвилю цифрової трансформації.