बहुतेक एआय एजंट उत्पादनांपर्यंत संस्थांमध्ये का पोहोचत नाहीत आणि डेटाब्रिक्सने त्याचे निराकरण कसे केले आहे

एआय एंटरप्राइझ एआय एजंटचे विकास प्रयत्न कधीही उत्पादनात पोहोचत नाहीत आणि तंत्रज्ञान तयार नसल्यामुळे नाही. डेटाब्रिक्सच्या म्हणण्यानुसार ही समस्या अशी आहे की कंपन्या अजूनही हळू, विसंगत आणि कठीण प्रक्रियेसह मॅन्युअल मूल्यांकनांवर अवलंबून असतात.

आज डेटा + एआय समिटमध्ये, डेटाब्रिक्सने या आव्हानाचे निराकरण म्हणून विटा मोझॅक एजंट लाँच केले. हे तंत्रज्ञान कंपनीने 2024 मध्ये जाहीर केलेल्या एआय मोझॅक एजंटच्या चौकटीवर अवलंबून आहे. फक्त, वास्तविक परिणाम होण्यासाठी कृत्रिम बुद्धिमत्ता एजंट तयार करण्यास सक्षम असणे आता पुरेसे चांगले नाही.

रिसर्च -बॅक केलेल्या नवकल्पनांच्या मालिकेचा वापर करून एजंटला स्वयंचलित करण्यासाठी मोझॅक एजंट ब्रिक्स प्लॅटफॉर्म. मुख्य नवकल्पनांपैकी एक म्हणजे टीएओ (अ‍ॅडॉप्टिव्ह इम्प्रूव्हमेंट टाइम) चे एकत्रीकरण, जे नामित डेटाची आवश्यकता न घेता कृत्रिम बुद्धिमत्ता नियंत्रणासाठी एक नवीन दृष्टीकोन प्रदान करते. मोज़ेक एजंट देखील या क्षेत्रासाठी कृत्रिम डेटा तयार करतो, कार्य -रिलेटेड निकष तयार करतो आणि मॅन्युअल हस्तक्षेपाशिवाय गुणवत्तेपर्यंतच्या संतुलन सुधारण्यासाठी कार्य करतो.

मूलभूतपणे, नवीन कायद्याचे उद्दीष्ट म्हणजे सध्याच्या कृत्रिम बुद्धिमत्ता एजंट विकसित करण्याच्या प्रयत्नांसह डेटाब्रिक्स वापरकर्त्यांसमोर असलेल्या समस्येचे निराकरण करणे.

“ते आंधळे झाले आणि त्यांच्याकडे या एजंट्सचे मूल्यांकन करण्याचा कोणताही मार्ग नव्हता,” मज्जातंतू नेटवर्कमधील मुख्य तंत्रज्ञान अधिकारी हॅनलिन तांग यांनी व्हेंचरबेटला सांगितले. “त्यापैकी बहुतेक एजंट पुरेसे चांगले दिसत आहेत की नाही हे पाहण्यासाठी मॅन्युअल मॅन्युअल ट्रॅकिंगच्या प्रकारावर अवलंबून होते, परंतु यामुळे त्यांना उत्पादनात प्रवेश करण्याचा आत्मविश्वास मिळत नाही.”

एआय एंटरप्राइझ उत्पादन स्केल पर्यंत संशोधन नवकल्पना पासून

तांग एक सह -फॉन्डर आणि सीटीओ कॉसिकिक होता, जो 2023 मध्ये डेटाब्रिक्सने 1.3 अब्ज डॉलर्समध्ये प्राप्त केला होता.

मोझॅकमध्ये, संशोधनाच्या क्षेत्रात नाविन्यपूर्णतेचा त्वरित संस्थात्मक परिणाम नव्हता. अधिग्रहणानंतर हे सर्व बदलले.

“जेव्हा आम्ही प्रथम डेटाब्रिक्सवर आमची उत्पादने सुरू केली तेव्हा माझ्यासाठी मोठ्या प्रकाशयोजना बल्बचा हा क्षण होता आणि त्वरित, रात्रभर आमच्याकडे, फाउंडेशनच्या हजारो एजंट्सप्रमाणेच,” तांग म्हणाले.

याउलट, अधिग्रहण करण्यापूर्वी, मोज़ेक काही संस्था उत्पादने वापरण्याच्या प्रयत्नात महिने घालवतात. डेटाब्रिक्समधील मोज़ेक एकत्रीकरणामुळे मोझॅक रिसर्च टीमला मोठ्या प्रमाणात संस्थांच्या समस्यांपर्यंत थेट प्रवेश मिळाला आणि त्यांचा शोध घेण्यासाठी नवीन क्षेत्र उघडकीस आणले.

फाउंडेशनच्या संपर्कात नवीन संशोधन संधी उघडकीस आल्या आहेत.

“जेव्हा आपल्याकडे एंटरप्राइझ ग्राहकांशी कनेक्शन असते तेव्हाच आपण त्यांच्याबरोबर खोलवर काम करत आहात, आपण त्यांचा पाठपुरावा करण्यासाठी आधीच एक प्रकारचा मनोरंजक संशोधन समस्या प्रकट करीत आहात.” “वीट क्लायंट …, काही बाबींमध्ये, आम्ही सर्व पूर्णपणे वीट झाल्यावर आता मोझॅकमध्ये आम्ही काम करत असलेल्या प्रत्येक गोष्टीचा एक प्रकारचा उत्क्रांती.”

कृत्रिम बुद्धिमत्ता घटकांच्या मूल्यांकनाचे संकट सोडवा

फाउंडेशन टीमला एक महाग आणि अचूक सुधार प्रक्रियेचा सामना करावा लागतो. कार्याचे ज्ञान किंवा फील्डच्या चाचणी डेटाच्या मानकांशिवाय, महागड्या अंदाज असलेल्या गेम एजंटमधील प्रत्येक बदल महाग होतो. ड्रिफ्टिंगची गुणवत्ता, फॉलो -अपसाठी खर्च आणि कायमस्वरुपी मुदतींपेक्षा जास्त.

एजंट विटा संपूर्ण सुधारणा पाइपलाइन स्वयंचलित करतात. कायद्यात उच्च -स्तरीय कार्य वर्णन आणि संस्थेचा डेटा असतो. उर्वरित गोष्टी आपोआप उपचार केल्या जातात.

प्रथम, हे मिशन आणि एलएलएम न्यायाधीशांचे मूल्यांकन तयार करते. पुढे, हे कृत्रिम डेटा तयार करते जे ग्राहक डेटा प्रतिबिंबित करते. शेवटी, उत्कृष्ट रचना शोधण्यासाठी सुधारणेच्या तंत्राद्वारे पहात आहात.

“ग्राहक समस्येचे उच्च स्तरावर वर्णन करतो आणि निम्न स्तराचा तपशील प्रविष्ट करत नाही, कारण आम्ही त्याची काळजी घेतो,” तांग म्हणाले. “सिस्टम कृत्रिम डेटा तयार करते आणि प्रत्येक कार्यासाठी एलएलएम न्यायाधीश तयार करते.”

कायदा चार एजंट रचना प्रदान करतो:

• माहिती काढणेदस्तऐवज (पीडीएफ, ईमेल) संघटित डेटामध्ये रूपांतरित करतात. वापराच्या घटनांपैकी एक म्हणजे आपण किरकोळ संस्था असू शकते जी आपण पुरवठादार पीडीएफएसकडून उत्पादनाचा तपशील काढण्यासाठी वापरत आहात, अगदी जटिल स्वरूपात.
• ज्ञान सहाय्यकसंस्थेच्या डेटामधून अचूक उत्तरे आणि उद्धृत केली. उदाहरणार्थ, उत्पादन तंत्रज्ञ फोल्डर्सद्वारे ड्रिलिंगशिवाय देखभाल मार्गदर्शकांकडून त्वरित उत्तरे मिळवू शकतात.
• एलएलएम समर्पितमजकूर परिवर्तन कार्ये (सारांश, वर्गीकरण). उदाहरणार्थ, आरोग्य सेवा संस्था क्लिनिकल कार्यासाठी रुग्णाच्या नोट्सचा सारांश देणारी मॉडेल्स सानुकूलित करू शकतात.
• मल्टी -एजंट सुपरवायझरहे जटिल वर्कफ्लोसाठी एकाधिक घटकांचे नियमन करते. वापराचे एक उदाहरण म्हणजे वित्तीय सेवा कंपन्या ज्या हेतू शोधण्यासाठी, कागदपत्रे पुनर्संचयित करण्यासाठी आणि अनुपालन तपासण्यासाठी एजंट्सचे समन्वय साधू शकतात.

एजंट छान आहेत, परंतु डेटा विसरू नका

एजंट्स बनविणे आणि मूल्यांकन करणे हा एआय एंटरप्राइझचा एक आवश्यक भाग आहे, परंतु हा एकमेव भाग आवश्यक नाही.

एक युनिफाइड डेटा स्टेपलवर बसलेला कृत्रिम बुद्धिमत्ता वापराचा थर म्हणून मोज़ेक वीटातून डेटाब्रिक्स ठेवला जातो. डेटा + एआय समिटमध्ये, डेटाब्रिक्सने लेकफ्लो डेटा अभियांत्रिकी प्लॅटफॉर्मची सामान्य उपलब्धता देखील जाहीर केली, जी प्रथम 2024 मध्ये तपासली गेली.

लेकफ्लो डेटा तयारीचे आव्हान सोडवते. हे तीन महत्त्वपूर्ण डेटा अभियांत्रिकी सहलींना एकत्र करते ज्यास पूर्वी स्वतंत्र साधनांची आवश्यकता होती. डेटा डेटामध्ये संघटित आणि नॉन -संघटित डेटा प्राप्त करण्यात गिळणे सुसंगत आहे. शिफ्ट प्रभावी, रीशेप आणि तयार डेटा प्रदान करते. हे उत्पादन आणि वेळापत्रकांची प्रगती व्यवस्थापित करते.

वर्कफ्लो कनेक्शन: लेकफ्लो हा गिळंकृत आणि युनिफाइड ट्रान्सफॉर्मेशनद्वारे संस्थेचा डेटा आहे, त्यानंतर एजंट विटांनी या तयार डेटावर सुधारित कृत्रिम बुद्धिमत्ता एजंट तयार केले.

“आम्ही कायद्यात डेटा प्रविष्ट करण्यात मदत करतो आणि नंतर आपण एमएल, बीआय आणि एआय विश्लेषित करू शकता,” डेटाब्रिक्सच्या उत्पादने व्यवस्थापनाचे संचालक बिलाल अस्लम यांनी व्हेंचरबिटला सांगितले.

डेटा गिळणे वगळता, मोझॅक एजंट विटांना डेटाब्रिक्सच्या कारभाराच्या वैशिष्ट्यांचा देखील फायदा होतो. यात आगमन नियंत्रण आणि डेटा ट्रॅकिंग घटकांचा समावेश आहे. हे एकत्रीकरण याची हमी देते की एजंटचे वर्तन अतिरिक्त निर्मितीशिवाय संस्थेच्या डेटाच्या कारभाराचा आदर करते.

ग्राहक मानवी टिप्पण्यांमधून शिकतो त्वरित भरणे दूर करते

आज कृत्रिम बुद्धिमत्ता एजंट्स दिग्दर्शित करण्यासाठी एक सामान्य पद्धत म्हणजे सिस्टम राउटरचा वापर. तांगने “वेव्ही फिलर” च्या व्यायामाचा उल्लेख केला जेथे एजंट अनुसरण करेल या आशेने वापरकर्ते एका गुरूला सर्व प्रकारचे मार्गदर्शन प्रदान करतात.

एजंट विटांनी मानवी प्रतिक्रियांमधून एजंट शिकणे – नावाची एक नवीन संकल्पना सादर केली. हे वैशिष्ट्य नैसर्गिक भाषेच्या सूचनांवर आधारित सिस्टम घटक स्वयंचलितपणे समायोजित करते. हे त्वरित स्टफिंग समस्येस टाँग काय म्हणतात ते सोडवते. टाँगच्या मते, त्वरित भरण्याचा दृष्टीकोन बर्‍याचदा अपयशी ठरतो कारण एजंटच्या सिस्टममध्ये एकाधिक घटक असतात ज्यास सुधारित करणे आवश्यक आहे.

मानवी प्रतिक्रियांमधून एजंट शिकणे ही एक प्रणाली आहे जी स्वयंचलितपणे नैसर्गिक भाषेच्या सूचनांचे स्पष्टीकरण देते आणि योग्य सिस्टम घटकांवर नियंत्रण ठेवते. दृष्टिकोन मानवी टिप्पण्या (आरएलएचएफ) ला मजबूत करण्यासाठी शिकण्याचे प्रतिबिंबित करतो परंतु ते वैयक्तिक मॉडेलच्या वजनाच्या ऐवजी एजंट सिस्टमच्या पातळीवर कार्य करते.

सिस्टम दोन मुख्य आव्हाने घेते. प्रथम, नैसर्गिक भाषेच्या सूचना रहस्यमय असू शकतात. उदाहरणार्थ, “आपल्या ब्रँड ध्वनीबद्दल आदर” म्हणजे काय? दुसरे म्हणजे, एजंट सिस्टममध्ये बरेच प्रशिक्षण गुण असतात. सुधारित करणे आवश्यक असलेले घटक निश्चित करण्यासाठी फरक संघर्ष केला जातो.

सिस्टम एजंटच्या घटकांच्या आसपास अंदाज लावून रद्द करते ज्यास विशिष्ट वर्तनात्मक बदलांसाठी सुधारित करणे आवश्यक आहे.

“हे विश्वास ठेवेल की यामुळे एजंटांना अधिक गंभीर होण्यास मदत होईल,” तांग म्हणाले.

सध्याच्या फ्रेमवर्कवरील तांत्रिक फायदे

आज बाजारात वर्क फ्रेमवर्क आणि कृत्रिम बुद्धिमत्तेची एजंटची कमतरता नाही. विक्रेते पर्यायांच्या वाढत्या यादीमध्ये लॅंगचेन, मायक्रोसॉफ्ट आणि गूगलची साधने आहेत.

तांग यांनी असा युक्तिवाद केला की जे मोज़ेक एजंट विटांना भिन्न बनवते ते सुधारणे आहे. मॅन्युअल रचनांची विनंती आणि समायोजित करण्याऐवजी, कार्यरत विटा एकाधिक शोध तंत्र स्वयंचलितपणे विलीन करतात: ताओ, संदर्भात शिकणे, त्वरित सुधारणा आणि नियंत्रण.

जेव्हा एजंट संप्रेषणात येतो तेव्हा Google एज 2 एजंट प्रोटोकॉलसह आज बाजारात काही पर्याय आहेत. टाँगच्या मते, डेटाब्रिक्स सध्या विविध एजंट प्रोटोकॉलचा शोध घेत आहे आणि एका मानकांसाठी वचनबद्ध नाही.

सध्या, वीट ग्राहक एजंटशी एजंटशी दोन मूलभूत मार्गांनी व्यवहार करते:

1. एजंट्स एक्सपोजिंग एजंट्स एंड पॉइंट्स वेगवेगळ्या प्रोटोकॉलमध्ये लपेटले जाऊ शकतात.
2. एमसीपी (मॉडेलच्या संदर्भाचा संदर्भ) लक्षात घेणार्‍या मल्टी -एजंट सुपरवायझरचा वापर करणे.

संस्थांच्या निर्णय निर्मात्यांचे सामरिक प्रभाव

कृत्रिम बुद्धिमत्तेत रस्त्याचे नेतृत्व करण्याच्या प्रयत्नात असलेल्या संस्थांसाठी, गुणवत्ता आणि प्रभावीपणाचे मूल्यांकन करण्यासाठी योग्य तंत्रे योग्य आहेत हे फार महत्वाचे आहे.

मूल्यांकन न करता एजंट्सच्या प्रकाशनामुळे एक आदर्श परिणाम होणार नाही आणि ठोस डेटाच्या आधारे एजंट नसतील. एजंट्सच्या विकासाच्या तंत्राचा विचार करताना, सर्वोत्तम पर्यायांचे मूल्यांकन करण्यासाठी योग्य यंत्रणा असणे महत्वाचे आहे.

हे देखील नोंदवले गेले आहे की तो मानवी अभिप्राय दृष्टिकोनातून शिकणारा एजंट संस्थेच्या निर्णय घेणा for ्यांसाठी लक्षात घेण्यासारखे आहे कारण ते एआयसी एआयला उत्कृष्ट निकालांकडे निर्देशित करण्यास मदत करते.

कृत्रिम बुद्धिमत्ता एजंटच्या तैनातीमध्ये नेतृत्व करण्याच्या प्रयत्नात असलेल्या संस्थांसाठी, या विकासाचा अर्थ असा आहे की मूल्यांकन पायाभूत सुविधा यापुढे बंदी नाही. संस्था सुधारित फ्रेमवर्क तयार करण्याऐवजी अट निश्चित करण्यासाठी आणि डेटा तयार करण्यासाठी अटच्या वापरावर संसाधने लक्ष केंद्रित करू शकतात.