Cách Hệ Thống LLM Đa Trọng Tâm Có Thể Cho Phép Mô Hình AI Giải Quyết Nhiệm Vụ Phức Tạp Hiệu Quả Hơn

Hầu hết các tổ chức ngày nay muốn tận dụng mô hình ngôn ngữ lớn (LLM) và triển khai các dự án chứng minh và các tác nhân trí tuệ nhân tạo (AI) để tối ưu hóa chi phí trong các quy trình kinh doanh và cung cấp trải nghiệm người dùng mới và sáng tạo. Tuy nhiên, hầu hết các triển khai này là ‘một lần’. Kết quả là, các doanh nghiệp khó khăn trong việc nhận ra lợi tức đầu tư (ROI) trong nhiều trường hợp sử dụng này.

Trí tuệ nhân tạo tạo sinh (GenAI) hứa hẹn sẽ vượt qua phần mềm như đồng pilot. Thay vì chỉ cung cấp hướng dẫn và hỗ trợ cho một chuyên gia chủ đề (SME), các giải pháp này có thể trở thành các tác nhân SME, thực hiện các hành động tự chủ. Để các giải pháp GenAI đạt được điểm này, các tổ chức phải cung cấp cho chúng kiến thức và bộ nhớ bổ sung, khả năng lập kế hoạch và tái lập kế hoạch, cũng như khả năng cộng tác với các tác nhân khác để thực hiện các hành động.

Khi các mô hình đơn lẻ phù hợp trong một số kịch bản, hoạt động như đồng pilot, kiến trúc tác nhân mở ra cánh cửa cho LLM trở thành các thành phần hoạt động của tự động hóa quy trình kinh doanh. Do đó, các doanh nghiệp nên xem xét việc tận dụng hệ thống đa trọng tâm dựa trên LLM (LLM-MA) để tối ưu hóa các quy trình kinh doanh phức tạp và cải thiện ROI.

Hệ Thống LLM Đa Trọng Tâm Là Gì?

Vậy, hệ thống LLM-MA là gì? Tóm lại, mô hình mới này trong công nghệ AI mô tả một hệ sinh thái các tác nhân AI, không phải các thực thể bị cô lập, hoạt động cùng nhau để giải quyết các thách thức phức tạp.

Quyết định nên xảy ra trong một loạt các ngữ cảnh, giống như việc ra quyết định đáng tin cậy giữa con người đòi hỏi sự chuyên môn hóa. Hệ thống LLM-MA xây dựng ‘trí tuệ tập thể’ mà một nhóm con người tận hưởng thông qua nhiều tác nhân chuyên môn hóa tương tác với nhau để đạt được một mục tiêu chung. Nói cách khác, giống như một doanh nghiệp đưa cùng nhau các chuyên gia khác nhau từ các lĩnh vực khác nhau để giải quyết một vấn đề, hệ thống LLM-MA cũng hoạt động.

Các nhu cầu kinh doanh quá lớn đối với một LLM đơn lẻ. Tuy nhiên, bằng cách phân phối các khả năng giữa các tác nhân chuyên môn hóa với kỹ năng và kiến thức độc đáo thay vì để một LLM gánh vác mọi gánh nặng, các tác nhân này có thể hoàn thành nhiệm vụ hiệu quả và hiệu quả hơn. LLM đa trọng tâm thậm chí có thể ‘kiểm tra’ công việc của nhau thông qua xác minh chéo, giảm ‘ảo giác’ để tối đa hóa năng suất và độ chính xác.

Cụ thể, hệ thống LLM-MA sử dụng phương pháp chia và chinh phục để có được quyền kiểm soát tinh tế hơn đối với các khía cạnh khác của hệ thống AI phức tạp – đáng chú ý, hiệu chỉnh tốt hơn cho các tập dữ liệu cụ thể, chọn phương pháp (bao gồm cả AI trước biến đổi) để giải thích tốt hơn, quản trị, bảo mật và độ tin cậy và sử dụng các công cụ không phải AI như một phần của giải pháp phức tạp. Trong phương pháp chia và chinh phục này, các tác nhân thực hiện các hành động và nhận phản hồi từ các tác nhân khác và dữ liệu, cho phép việc áp dụng chiến lược thực hiện theo thời gian.

Cơ Hội Và Trường Hợp Sử Dụng Của Hệ Thống LLM-MA

Hệ thống LLM-MA có thể tự động hóa các quy trình kinh doanh bằng cách tìm kiếm qua các tài liệu có cấu trúc và không cấu trúc, tạo mã để truy vấn các mô hình dữ liệu và thực hiện các nội dung tạo khác. Các công ty có thể sử dụng hệ thống LLM-MA cho nhiều trường hợp sử dụng, bao gồm phát triển phần mềm, mô phỏng phần cứng, phát triển trò chơi (cụ thể là phát triển thế giới), khám phá khoa học và dược phẩm, quy trình quản lý vốn, kinh tế và thương mại, v.v.

Một ứng dụng đáng chú ý của hệ thống LLM-MA là tự động hóa trung tâm cuộc gọi/dịch vụ. Trong ví dụ này, sự kết hợp của các mô hình và các tác nhân chương trình khác sử dụng các quy trình và thủ tục đã xác định trước có thể tự động hóa các tương tác của người dùng cuối và thực hiện phân loại yêu cầu qua văn bản, giọng nói hoặc video. Hơn nữa, các hệ thống này có thể điều hướng đường dẫn giải quyết tối ưu bằng cách tận dụng kiến thức thủ tục và SME với dữ liệu cá nhân hóa và gọi các tác nhân không phải LLM và RAG (Sinh và Tìm kiếm Tăng cường).

Trong ngắn hạn, hệ thống này sẽ không được tự động hóa hoàn toàn – sẽ có sai sót và cần phải có con người trong vòng lặp. AI không sẵn sàng để tái tạo trải nghiệm giống con người do sự phức tạp của việc kiểm tra cuộc trò chuyện tự do chống lại, ví dụ, các mối quan ngại về AI có trách nhiệm. Tuy nhiên, AI có thể được đào tạo trên hàng nghìn vé hỗ trợ lịch sử và vòng lặp phản hồi để tự động hóa các phần quan trọng của hoạt động trung tâm cuộc gọi/dịch vụ, tăng hiệu suất, giảm thời gian giải quyết vé và tăng sự hài lòng của khách hàng.

Một ứng dụng mạnh mẽ khác của LLM đa trọng tâm là tạo ra giao diện cộng tác giữa con người và AI cho các cuộc trò chuyện thời gian thực, giải quyết các nhiệm vụ mà trước đây không thể thực hiện được. Trí tuệ tập thể đối thoại (CSI), ví dụ, là một phương pháp cho phép hàng nghìn người tham gia vào các cuộc trò chuyện thời gian thực. Cụ thể, CSI cho phép các nhóm nhỏ đối thoại với nhau trong khi các nhóm tác nhân khác tóm tắt các luồng cuộc trò chuyện. Sau đó, nó thúc đẩy sự lan truyền nội dung trên toàn bộ cơ thể người, cho phép sự phối hợp của con người ở quy mô chưa từng có.

Bảo Mật, Trách Nhiệm AI Và Các Thách Thức Khác Của Hệ Thống LLM-MA

Mặc dù có những cơ hội thú vị của hệ thống LLM-MA, một số thách thức đối với phương pháp này xuất hiện khi số lượng tác nhân và kích thước không gian hành động của chúng tăng lên. Ví dụ, các doanh nghiệp sẽ cần giải quyết vấn đề về ‘ảo giác’ đơn thuần, điều này sẽ đòi hỏi con người trong vòng lặp – một bên được chỉ định phải chịu trách nhiệm về các hệ thống tác nhân, đặc biệt là những hệ thống có tác động quan trọng, chẳng hạn như khám phá thuốc tự động.

Cũng sẽ có vấn đề về thiên vị dữ liệu, điều này có thể gây ra thiên vị tương tác. Tương tự, các hệ thống LLM-MA trong tương lai chạy hàng trăm tác nhân sẽ đòi hỏi các kiến trúc phức tạp hơn trong khi tính đến các hạn chế khác của LLM, dữ liệu và hoạt động học máy.

Ngoài ra, các tổ chức phải giải quyết các mối quan ngại về bảo mật và thúc đẩy các thực tiễn AI có trách nhiệm (RAI). Số lượng LLM và tác nhân tăng lên làm tăng diện tích tấn công cho tất cả các mối đe dọa AI. Các công ty phải phân chia các phần khác nhau của hệ thống LLM-MA thành các tác nhân chuyên môn hóa để cung cấp quyền kiểm soát tốt hơn đối với các rủi ro LLM truyền thống, bao gồm bảo mật và các yếu tố RAI.

Hơn nữa, khi các giải pháp trở nên phức tạp hơn, các khuôn khổ quản trị AI cũng phải trở nên phức tạp hơn để đảm bảo rằng các sản phẩm AI là đáng tin cậy (tức là, mạnh mẽ, có trách nhiệm, được theo dõi và giải thích), có sẵn (tức là, an toàn, bảo mật, riêng tư và hiệu quả) và có trách nhiệm (tức là, công bằng, đạo đức, bao gồm, bền vững và có mục đích). Sự phức tạp gia tăng cũng sẽ dẫn đến các quy định được thắt chặt, khiến việc bảo mật và RAI trở thành một phần quan trọng của mọi trường hợp kinh doanh và thiết kế giải pháp từ đầu, cũng như các chiến lược cập nhật chính sách, đào tạo và giáo dục doanh nghiệp và TEVV (kiểm tra, đánh giá, xác minh và xác thực) liên tục.

Khơi Dậy Giá Trị Toàn Diện Từ Hệ Thống LLM-MA: Xem Xét Dữ Liệu

Để các doanh nghiệp khơi dậy giá trị toàn diện từ hệ thống LLM-MA, họ phải nhận ra rằng LLM, bản thân nó, chỉ có kiến thức miền chung. Tuy nhiên, LLM có thể trở thành sản phẩm AI tạo giá trị khi nó dựa vào kiến thức miền doanh nghiệp, thường bao gồm các tài sản dữ liệu khác biệt, tài liệu doanh nghiệp, kiến thức SME và thông tin thu được từ các nguồn dữ liệu công cộng.

Các doanh nghiệp phải chuyển từ trung tâm dữ liệu, nơi dữ liệu hỗ trợ báo cáo, sang trung tâm AI, nơi các nguồn dữ liệu kết hợp để trao quyền cho AI trở thành một tác nhân trong hệ sinh thái doanh nghiệp. Do đó, khả năng của các công ty trong việc thu thập và quản lý các tài sản dữ liệu chất lượng cao phải mở rộng đến các loại dữ liệu mới. Tương tự, các tổ chức cần hiện đại hóa cách tiếp cận tiêu thụ dữ liệu và thông tin, thay đổi mô hình hoạt động và giới thiệu quản trị thống nhất dữ liệu, AI và RAI.

Từ góc độ công cụ, GenAI có thể cung cấp thêm sự giúp đỡ về dữ liệu. Cụ thể, các công cụ GenAI có thể tạo ra các ontology, tạo siêu dữ liệu, trích xuất tín hiệu dữ liệu, hiểu các lược đồ dữ liệu phức tạp, tự động hóa việc di chuyển dữ liệu và thực hiện chuyển đổi dữ liệu. GenAI cũng có thể được sử dụng để nâng cao chất lượng dữ liệu và hoạt động như các chuyên gia quản trị cũng như đồng pilot hoặc tác nhân bán tự chủ. Hiện tại, nhiều tổ chức sử dụng GenAI để giúp dân chủ hóa dữ liệu, như thấy trong các khả năng ‘nói chuyện với dữ liệu’.

Sự Đổi Mới Liên Tục Trong Thời Đại Thay Đổi Nhanh Chóng

Một LLM không tự thêm giá trị hoặc đạt được ROI tích cực bằng cách tự nó mà là một phần của các ứng dụng tập trung vào kết quả kinh doanh. Thách thức là, không giống như trong quá khứ, khi các khả năng công nghệ của LLM khá được biết đến, ngày nay, các khả năng mới xuất hiện hàng tuần và đôi khi hàng ngày, hỗ trợ các cơ hội kinh doanh mới. Trên đỉnh của sự thay đổi nhanh chóng này là một phong cảnh quy định và tuân thủ luôn thay đổi, khiến khả năng thích nghi nhanh chóng trở nên quan trọng cho thành công.

Sự linh hoạt cần thiết để tận dụng các cơ hội mới này đòi hỏi các doanh nghiệp phải trải qua một sự thay đổi trong tư duy từ các silo sang cộng tác, thúc đẩy mức độ thích nghi cao nhất trên toàn công nghệ, quy trình và con người trong khi triển khai quản lý dữ liệu mạnh mẽ và đổi mới có trách nhiệm. Cuối cùng, các công ty chấp nhận những định hướng mới này sẽ dẫn đầu làn sóng chuyển đổi số tiếp theo.