Рост на основе LLM автономных агентов

Рост автономных агентов на основе LLM

В году 2023 произошло многое. Мы стали свидетелями роста и появления крупномасштабных языковых моделей (LLM) и их особого использования в качестве фундаментальных контроллеров для автономных агентов. Мы видели это собственными глазами, многие люди приняли этих автономных агентов и внедрили их в организации, и другие компании проявили интерес к LLM.

И да, они оказались успешными.

Но неужели вам не интересно узнать больше? Конечно же, вам интересно.

• Познакомьтесь с OmniControl подход искусственного интеллекта для включения гибких пространственных сигналов управления в модель генерации движения человека, основанную на процессе диффузии, с условием на текст.
• Познакомьтесь с FastEmbed быстрой и легкой библиотекой для генерации встраивания текста на Python.
• Google AI представляет PaLI-3 меньшую, более быстродействующую и более мощную модель Vision Language (VLM), которая сравнима с аналогичными моделями, которые в 10 раз больше.

Опрос по автономным агентам на основе LLM

Исследователи из Школы искусственного интеллекта Гаолин университета Реньминь в Китае объединились, чтобы провести комплексное исследование автономных агентов на основе LLM, в котором они представляют систематический обзор области автономных агентов на основе LLM со всесторонней перспективы.

Исследователи рассматривают структуру автономных агентов на основе LLM, а также обзор разнообразных применений в различных областях, таких как социальная наука, естественная наука и инженерия.

Итак, приступим к этому.

Ниже представлена диаграмма роста в области автономных агентов на основе LLM, показывающая количество опубликованных статей с января 2021 года по август 2023 года.

Как видно, за два года LLM-модели достигли значительных успехов, показывая широкой публике, что приложения искусственного интеллекта имеют потенциал достичь интеллекта, близкого к человеческому. Обширные обучающие наборы данных и значительное количество параметров модели работают сообща, чтобы достичь этого.

Кажется, что в эту область идет много финансирования и исследований, поэтому важно предоставить систематическую сводку о быстро развивающейся области, чтобы полноценно понять ее тонкости и преимущества, которые она принесет для будущих исследований.

Именно это делает команда исследователей из Школы искусственного интеллекта Гаолин.

Архитектурный дизайн автономного агента на основе LLM

Основная цель автономных агентов на основе LLM – это способность выполнять различные задачи, будто они обладают человекоподобными способностями. Для этого необходимо более детально изучить архитектурный дизайн автономных агентов на основе LLM:

1. Какую архитектуру следует разработать для более эффективного использования LLM
2. Как обеспечить возможность агента осваивать способности для выполнения конкретных задач

В рамках систематического обзора исследователи поняли, что LLM-модели должны выполнять определенные роли и автономно учиться от окружающей среды, чтобы развиваться подобно человеку. Именно здесь возникает необходимость в создании рациональной архитектуры агента.

Исследователи предложили единую структуру для обобщения разработанных модулей для улучшения LLM:

• Профилирование – определение роли агента
• Память – помещение агента в динамическую среду и предоставление возможности вспомнить прошлые действия
• Планирование – помещение агента в динамическую среду и планирование будущих действий
• Действия – перевод решений агента в конкретные результаты

Модуль профилирования оказывает прямое влияние на модули памяти и планирования, причем все эти три модуля вместе влияют на модуль действий.

Чтобы более подробно изучить каждый модуль, прочитайте статью: Опрос по автономным агентам на основе крупномасштабных языковых моделей.

В этой статье вы можете более детально ознакомиться с применением автономных агентов на основе LLM и предложенными стратегиями оценки в трех отдельных областях: социальной науке, естественной науке и инженерии. Автономные агенты на основе LLM показали значительный потенциал влиять на несколько областей, поэтому важно понять, как оцениваются эти приложения и какие стратегии применяются.

В рамках исследовательского процесса у них также есть интерактивная таблица, содержащая более полные документы, связанные с агентами на основе LLM.

 

Заключение

 

Как мы можем видеть, все больше и больше людей разоблачают LLM. Больше людей хочет узнать, что на самом деле это такое – архитектура, стратегии оценки и как это повлияет на наше будущее. Цель этого – помочь построить больше доверия вокруг LLM и искусственного интеллекта в целом или мы узнаем правду о них?

****[Nisha Arya](https://www.linkedin.com/in/nisha-arya-ahmed/)**** является специалистом по обработке данных и фрилансовым техническим писателем. Она особенно заинтересована в предоставлении советов по карьере в области науки о данных или руководствах и теоретических знаниях в области науки о данных. Она также хочет исследовать различные способы, которыми искусственный интеллект может быть полезен для продолжительности человеческой жизни. Она стремится расширить свои технические знания и навыки письма, помогая при этом другим.