Vai vēlaties gudrāku ieskatu iesūtnē? Reģistrējieties mūsu iknedēļas biļeteniem, lai iegūtu tikai to, kas ir svarīgi uzņēmuma AI, datu un drošības vadītājiem. Abonēt tūlīt
Nav šaubu, ka AI aģenti – tie, kas var darboties autonomi un asinhroni aizkulisēs uzņēmuma darbplūsmā – šobrīd ir tēma, kas atrodas uzņēmējdarbībā.
Wager arvien lielākas bažas rada tas, ka tas viss ir tikai runas, galvenokārt hype, bez lielām vielām aiz tā.
Gartners, pirmkārt, novēro, ka uzņēmumi ir “piepūsto cerību virsotnē”, intervals tieši pirms vilkšanas iestāšanās, jo pārdevēji nav atbalstījuši sarunu ar taustāmiem, reālās pasaules lietošanas gadījumiem.
Tomēr tas nenozīmē, ka uzņēmumi neveic eksperimentus ar AI aģentiem un redzot agrīnu ieguldījumu atdevi (ROI); globālie uzņēmumi Bloķēt un GlaxosmithKline (GSK), lai to daļas izpētītu finanšu pakalpojumu un narkotiku atklāšanas koncepciju pierādījumu.
AI mērogošana sasniedz savas robežas
Strāvas robežas, pieaugošās marķiera izmaksas un secinājumu kavēšanās ir uzņēmuma AI pārveidošana. Pievienojieties mūsu ekskluzīvajam salonam, lai atklātu, kā ir labākās komandas:
- Enerģijas pārvēršana par stratēģisku priekšrocību
- Arhitektējot efektīvus secinājumus par reālu caurlaidspējas pieaugumu
- Konkurences IA atbloķēšana ar ilgtspējīgām AI sistēmām
Nostipriniet savu vietu, lai paliktu priekšā:
“Vairāku aģentu ir absolūti tas, kas notiks tālāk, wager mēs izdomājam, kā tas izskatās tādā veidā, kas atbilst cilvēkam, padara to ērtu,” nesenajā SAP sponsorētajā AI ietekmes pasākumā VentureBeat izpilddirektoram un galvenajam redaktoram Metjū Marshall sacīja Breds Aksens, Blads Aksens, Metjū Māršala VentureBeat izpilddirektoram un galvenais redaktors Metjū Māršals.
Darbs ar vienu kolēģi, nevis robotu bars
Block, 10 000 darbinieku mātesuzņēmums Sq., Money App un AfterPay, sevi uzskata par pilnīgu atklāšanas režīmu, izveidojot sadarbspējīgu AI aģenta ietvaru, Kodēts zossjanvārī.
Zoss sākotnēji tika ieviests programmatūras inženierijas uzdevumos, un tagad to izmanto 4000 inženieri, pieņemot katru mēnesi divkāršojot, Aksens skaidroja. Platforma raksta apmēram 90% no koda un ir ietaupījusi inženierus aptuveni 10 stundas nedēļā, automatizējot kodu ģenerēšanu, atkļūdošanu un informācijas filtrēšanu.
Papildus koda rakstīšanai zoss darbojas kā sava veida “digitālais komandas biedrs”, saspiežot atslābumu un e -pasta straumes, integrējot dažādos uzņēmuma rīkos un nārstojot jaunus aģentus, kad uzdevumi prasa lielāku caurlaidspēju un paplašinātu darbības jomu.
Aksens uzsvēra, ka bloks ir vērsts uz viena saskarnes izveidi, kas jūtas kā strādāts ar vienu kolēģi, nevis uz robotu baru. “Mēs vēlamies, lai jūs justos kā strādājat ar vienu cilvēku, wager viņi daudzās vietās rīkojas jūsu vārdā daudzos dažādos veidos,” viņš paskaidroja.
Goose darbojas reāllaikā attīstības vidē, meklējot, navigē un rakstot kodu, pamatojoties uz lielas valodas modeļa (LLM) izvadi, vienlaikus autonomi lasot un rakstot failus, kodu un testus, testus, izvadu pilnveidošanu un atkarību instalēšanu.
Būtībā ikviens var izveidot un darbināt sistēmu savā vēlamajā LLM, un zosu var konceptualizēt kā lietojumprogrammas slāni. Tam ir iebūvēta darbvirsmas lietojumprogramma un komandrindas interfeiss, wager DEV var arī izveidot pielāgotas lietotāja saskarnes. Platforma ir veidota uz Anthropic modeļa konteksta protokola (MCP)-arvien populārāku atvērtā koda standartizētu API un parametru kopu, kas savieno aģentus ar datu krātuvēm, rīkiem un attīstības vidi.
Zoss ir atbrīvots saskaņā ar atvērtā pirmkoda Apache licenci 2.0 (ASL2), kas nozīmē, ka ikviens var brīvi izmantot, modificēt un izplatīt, pat komerciāliem nolūkiem. Lietotāji var piekļūt datu bāzēm datu bāzēs un veikt SQL zvanus vai vaicājumus, neprasot tehniskas zināšanas.
“Mēs patiešām vēlamies nākt klajā ar procesu, kas ļauj cilvēkiem iegūt vērtību no sistēmas, ja nav jābūt ekspertam,” skaidroja Aksens.
Piemēram, kodējot, lietotāji var pateikt, ko viņi vēlas dabiskajā valodā, un ietvars to interpretēs tūkstošos koda rindiņu, kuras pēc tam var lasīt un izsijāt. Block ir redzama arī saspiešanas uzdevumu vērtība, piemēram, zosu lasīšana, izmantojot Slack, e -pastu un citus kanālus un apkopo informāciju lietotājiem. Turklāt pārdošanas vai mārketinga jomā aģenti var apkopot atbilstošu informāciju par potenciālo klientu un to pārnest datu bāzē.
AI aģenti nepietiekami izmantoja, wager cilvēku jomas zināšanas joprojām ir vajadzīgas
Course of ir bijis lielākais sašaurinājums, atzīmēja Aksens. Jūs nevarat vienkārši dot cilvēkiem rīku un pateikt viņiem, lai tas viņiem darbotos; Aģentiem jāatspoguļo procesi, ar kuriem darbinieki jau ir iesaistīti. Cilvēku lietotāji neuztraucas par tehnisko mugurkaulu, – drīzāk par darbu, ko viņi mēģina paveikt.
Tāpēc celtniekiem ir jāskatās uz to, ko darbinieki mēģina darīt, un izstrādāt rīkus, lai būtu “pēc iespējas burtiski, ka pēc iespējas vairāk”, sacīja Aksens. Tad viņi to var izmantot, lai ķēdi kopā un risinātu lielākas un lielākas problēmas.
“Es domāju, ka mēs ļoti nepietiekami izmantojam to, ko viņi var darīt,” Aksens sacīja par aģentiem. “Tas ir cilvēki un course of, jo mēs nevaram sekot līdzi tehnoloģijai. Starp tehnoloģiju un iespēju pastāv milzīga atšķirība.”
Un, kad nozares tilti, vai joprojām būs vietas cilvēku jomas zināšanām? Protams, Aksens saka. Piemēram, jo īpaši finanšu pakalpojumos, kodam jābūt uzticamam, atbilstošam un drošam, lai aizsargātu uzņēmumu un lietotājus; Tāpēc tas ir jāpārskata ar cilvēka acīm.
“Mēs joprojām redzam patiešām kritisku lomu cilvēku ekspertiem katrā mūsu uzņēmuma darbības daļā,” viņš teica. “Tas ne vienmēr maina to, ko kompetence nozīmē kā indivīds. Tas tikai dod jums jaunu rīku, lai to izteiktu.”
Bloks, kas veidots uz atvērtā koda mugurkaula
Cilvēka UI ir viens no vissarežģītākajiem AI aģentu elementiem, atzīmēja Aksens; Mērķis ir padarīt saskarnes vienkārši lietojamas, kamēr AI ir proaktīvi rīkojoties.
Būtu noderīgi, atzīmēja Aksens, ja vairāk nozares spēlētāju būtu iekļauti MCP līdzīgi standarti. Piemēram, “es labprāt vēlētos, lai Google vienkārši aizietu un būtu publiska MCP Gmail,” viņš sacīja. “Tas manu dzīvi padarītu daudz vieglāku.”
Jautāts par Block apņemšanos atvērt avotu, viņš atzīmēja: “Mums vienmēr ir bijis atvērtā koda mugurkauls”, piebilstot, ka pēdējā gada laikā uzņēmums ir “atjaunojis” savus ieguldījumus atvērtās tehnoloģijās.
“Telpā, kas pārvietojas tik ātri, mēs ceram, ka mēs varēsim izveidot atvērtā koda pārvaldību, lai jūs varētu būt, ka tas ir rīks, kas seko līdzi jums pat kā jaunu modeļu un jaunu produktu iznākšanu.”
GSK pieredze ar vairākiem aģentiem narkotiku atklāšanā
GSK ir vadošais farmaceitiskais izstrādātājs, īpašu uzmanību pievēršot vakcīnām, infekcijas slimībām un onkoloģijas pētījumiem. Tagad uzņēmums sāk lietot vairāku aģentu arhitektūras, lai paātrinātu narkotiku atklāšanu.
Kims Bransons, GSK SVP un AI un ML globālais vadītājs, sacīja, ka aģenti sāk pārveidot uzņēmuma produktu un ir “absolūti pamatoti mūsu biznesam”.
GSK zinātnieki apvieno domēnam specifiskas LLM ar ontoloģijām (priekšmetu jēdzieni un kategorijas, kas norāda īpašības un attiecības starp tām), rīku ķēdes un stingras pārbaudes ietvari, skaidroja Bransons.
Tas viņiem palīdz vaicāt gigantiskas zinātniskas datu kopas, plānot eksperimentus (pat ja nav pamata patiesības) un apkopo pierādījumus visā genomikā (DNS pētījums), proteomiku (olbaltumvielu pētījums) un klīniskajiem datiem. Aģenti var virsmas hipotēzes, apstiprināt datu savienojumus un saspiest pētījumu ciklus.
Bransons atzīmēja, ka zinātniskais atklājums ir nogājis garu ceļu; Sekvencēšanas laiki ir samazinājušies, un proteomikas izpēte ir daudz ātrāka. Tomēr tajā pašā laikā atklājums kļūst arvien grūtāks, jo arvien vairāk datu tiek uzkrāts, it īpaši caur ierīcēm un valkājamiem izstrādājumiem. Kā izteicās Bransons: “Mums ir vairāk nepārtrauktu pulsa dati par cilvēkiem, nekā mums jebkad agrāk ir bijuši kā suga.”
Cilvēkiem var būt gandrīz neiespējami analizēt visus šos datus, tāpēc GSK mērķis ir izmantot AI, lai paātrinātu iterācijas laikus, viņš atzīmēja.
Wager tajā pašā laikā AI var būt sarežģīta lielajā farmācijā, jo bieži nav zemes patiesības, neveicot lielus klīniskus eksperimentus; Tas vairāk attiecas uz hipotēzēm un zinātniekiem, kas pēta pierādījumus, lai nākt klajā ar iespējamiem risinājumiem.
“Kad jūs sākat pievienot aģentus, jūs atklājat, ka vairums cilvēku patiesībā nav ieguvuši standarta veidu, kā to izdarīt savā starpā,” atzīmēja Bransons. “Šī dispersija nav slikta, wager dažreiz tā noved pie cita jautājuma.”
Viņš runāja: “Mums ne vienmēr ir absolūta patiesība, ar kuru strādāt – pretējā gadījumā mans darbs būtu daudz vienkāršāks.”
Tas viss ir saistīts ar pareizajiem mērķiem vai zināšanu, kā noformēt to, kas varētu būt biomarķieris vai pierādījumi par dažādām hipotēzēm, viņš paskaidroja. Piemēram: Vai tas ir labākais veids, kas jāņem vērā cilvēkiem ar olnīcu vēzi šajā konkrētajā stāvoklī?
Lai AI saprastu, ka argumentācija prasa ontoloģiju izmantošanu un uzdot tādus jautājumus kā: “Ja tā ir taisnība, ko nozīmē X?”. Pēc tam domēnam specifiski līdzekļi var apkopot atbilstošus pierādījumus no lielām iekšējām datu kopām.
GSK izveidoja epigenomisko valodu modeļus, kurus no nulles darbina cerebras, kurus tā izmanto secinājumiem un apmācībai, skaidroja Bransons. “Mēs veidojam ļoti specifiskus modeļus mūsu lietojumprogrammām, kur nevienam citam nav,” viņš teica.
Viņš atzīmēja, ka secinājumu ātrums ir svarīgs, neatkarīgi no tā, vai turp un atpakaļ ar modeli vai autonomu dziļo pētījumu, un GSK izmanto dažādus rīku komplektus, pamatojoties uz gala mērķi. Wager lielie konteksta logi ne vienmēr ir atbilde, un filtrēšana ir kritiska. “Jūs nevarat vienkārši spēlēt konteksta pildījumu,” sacīja Bransons. “Jūs nevarat vienkārši iemest visus datus šajā lietā un uzticēties LM, lai to izdomātu.”
Pastāvīga pārbaude kritiska
GSK liek daudz testēšanas savās aģentiskajās sistēmās, prioritizējot determinismu un uzticamību, bieži vien vairākus aģentus vadot paralēli rezultātiem.
Brensons atgādināja, ka, kad viņa komanda pirmo reizi sāka veidot, viņiem bija SQL aģents, kuru viņi vadīja “10 000 reizes”, un tas pēkšņi pēkšņi “viltoja” detaļas.
“Mēs nekad neredzējām, ka tas atkārtojas, wager tas notika vienreiz, un mēs pat nesapratām, kāpēc tas notika ar šo konkrēto LLM,” viņš teica.
Rezultātā viņa komanda bieži vien paralēli vadīs vairākus eksemplārus un modeļus, vienlaikus ieviešot instrumentu izsaukšanu un ierobežojumus; Piemēram, divi LLM veiks tieši tādu pašu secību, un GSK zinātnieki tos salīdzinās.
Viņa komanda koncentrējas uz aktīvās mācīšanās cilpām un veido savus iekšējos etalonus, jo populārie, publiski pieejamie bieži ir “diezgan akadēmiski un neatspoguļo to, ko mēs darām”.
Piemēram, tie radīs vairākus bioloģiskus jautājumus, novērtēs to, kas, viņuprāt, būs zelta standarts, pēc tam pret to piemēros LLM un redzēs, kā tas ierindojas.
“Mēs īpaši medījam problemātiskas lietas, kur tas nedarbojās, vai tas izdarīja mēmu lietu, jo tieši tad mēs iemācāmies dažus jaunus sīkumus,” sacīja Bransons. “Mēs cenšamies panākt, lai cilvēki izmantotu savu ekspertu spriedumu tur, kur tas ir svarīgi.”
avots
