¿La IA trabaja en equipo? ¿Realmente funciona?
Ahora todo el mundo habla de los LLM (Large Language Models), ¿verdad? Estos modelos lingüísticos inteligentes mejoran cada día. Crea artículos sin problemas y piensa en razones. No es de extrañar que haya tantas aplicaciones geniales por ahí.
Lo que es más interesante es que estamos comenzando a usar los LLM como "agentes" o asistentes personales inteligentes que pueden ayudarnos a realizar tareas difíciles por nosotros, ya sea escribir código, resumir grandes cantidades de datos, analizar cosas complejas o incluso ayudarnos a tomar decisiones importantes. Estos agentes trabajarán de acuerdo a las "indicaciones" o instrucciones que introduzcamos, las cuales nos dirán qué hacer. ¿Cuáles son tus objetivos?
¡Pero lo mejor es que no usamos un solo agente! También podemos tomar varios LLM y trabajar juntos como un equipo, o lo que llamamos un Sistema Multi-Agente (MAS). Este tipo de trabajo en equipo suele ser mucho mejor que las proyecciones en solitario porque te da una perspectiva más diversa, se ayuda mutuamente a pensar y se ayuda mutuamente a hacerlo.
Pero espera... ¡Crear un equipo de IA puede ser un dolor de cabeza!
Suena bien, ¿verdad?
Pero seamos realistas, diseñar un equipo de IA o MAS para que funcione a la perfección. Especialmente con nuevos problemas que nunca antes se habían encontrado, no es fácil. El primer problema con el que me encontré fue que el tamaño de un solo agente todavía tenía una "puntada" personal, que era muy sensible a las indicaciones. De repente, el rendimiento puede caer de una manera desconcertante. Cuando tengo que trabajar en equipo. Este problema parece ser aún más caótico.
Además de la indicación, es importante diseñar qué agente debe hablar con quién. ¿A quién envías el trabajo? "Estructura del equipo" (topología) Es como tener que sostener una aguja en el océano. Se necesita mucho ensayo y error. Hay millones y ocho opciones, que incluyen un sinfín de formatos de indicaciones ajustables y estructuras de equipo flexibles.
Por supuesto, hay personas que intentan encontrar una solución a este problema, como DSPy que ayuda a encontrar buenos ejemplos para crear indicaciones, ADAS que usa LLM para ayudar a crear nuevas estructuras de equipo, o AFlow que usa técnicas inteligentes para ayudar a encontrar una buena estructura. ¿Cómo funcionan juntos Prompt y Topology (¿o se contradicen?) para hacer que nuestro equipo de IA sea realmente mejor?
Entonces, ¿cuál es la clave para crear un equipo de IA?
En la investigación que se ha demostrado Diseño multiagente: optimización de agentes con mejores avisos y topologías Hablamos del diseño colaborativo de los agentes de una manera interesante.
Este artículo pretende profundizar en esto analizando 3 factores principales:
- Pronto: Los comandos que usamos le dicen a cada agente qué hacer.
- Número de agentes: ¿Cuántos usas para estar sano?
- Topología: ¿Con qué tipo de equipo deberías trabajar?
Queríamos saber cómo afectan estas 3 cosas al rendimiento general del equipo de IA, ¡y descubrimos que "Prompt" es el verdadero héroe!
Tener una instrucción buena, clara y apropiada para el trabajo es el factor más importante. En cuanto a la topología o la estructura del equipo, solo hay unos pocos que realmente tienen sentido.
"MASS": ¡Equipo de IA Mago para Dioses!
Cuando supimos esto, inventamos una herramienta llamada Búsqueda de sistemas multiagente (MASS) ¡Piense en ello como un "entrenador" personal que hará que sea más fácil y mejor construir nuestro equipo de IA!
MASS no hace nada complicado, simplemente combina cómo mejorar el prompt con cómo encontrar la mejor estructura de equipo, y organizar el proceso en un simple sistema de 3 pasos:
- Optimización de solicitudes a nivel de bloque: Es como una tutoría intensiva para que cada jugador sobresalga primero en su propia posición.
- Encuentre el plan de juego adecuado (optimización de la topología del flujo de trabajo): La estructura o topología de equipo que parece funcionar mejor.
- Optimización de avisos a nivel de flujo de trabajo: Vuelve a ajustar el mensaje, esta vez centrándote en los agentes que trabajan juntos sin problemas en el equipo. Pasen la pelota el uno al otro exactamente.
Con MASS, podemos crear equipos de IA que sean mejores que los métodos tradicionales, y también podemos obtener buenas directrices para utilizar en el diseño de equipos de IA en el futuro.
Un resumen simple de lo que esta investigación tiene para ofrecer:
- Nos ayuda a entender mejor cuáles son los "secretos" para construir un buen equipo de IA.
- Hay una nueva herramienta (MASS) para ayudar a los diseñadores de IA a hacer sus vidas mucho más fáciles.
- ¡Demuestra que MASS realmente puede ayudar a construir mejores equipos de IA!
Entonces, ¿cómo diseñamos un equipo de IA?
Bien, ahora entremos un poco más en detalle sobre qué es el diseño MAS y cuál es la importancia de Prompt y Topology.
Llamaremos a la "estructura" de trabajo "Topología", y el "proceso" de todo trabajo es "Workflow", por lo que el diseño de un equipo de IA o MAS tendrá 2 niveles principales:
- Diseño a nivel de bloque: Vea qué es lo que cada agente debe hacer mejor. Esto se centra principalmente en "Prompt".
- Diseño a nivel de flujo de trabajo: Vea cómo los agentes trabajan mejor juntos. Este es el enfoque en "Topología".
1. Ajuste cada agente con Prompt (Nivel de bloque)
En el corazón de cada agente hay un "aviso", es como un "rol" (por ejemplo, eres un "analista de errores") y una "guía de trabajo" (por ejemplo, "Piensa paso a paso", "Toma este ejemplo").
Herramientas geniales Hoy en día (Automatic Prompt Optimization - APO) puede ayudarnos a encontrar tanto las mejores sugerencias como ejemplos de forma automática, pero cuando se trata de aplicarlo al equipo de MAS, no es tan fácil como pelar un plátano en la boca.
- El equipo de IA trabaja en sucesión. Continúa pasando el palo.
- No tenemos una "respuesta" en el camino sobre qué tan bien trabaja cada agente.
- Cuanto más grande es el equipo, más complejo es. Encontrar el mejor mensaje para todos es aún más difícil.
Esta es la razón por la que la mayoría de las investigaciones de MAS todavía utilizan indicaciones escritas por personas. En este caso, intentaremos ver si podemos usar APO para ayudar a ajustar el aviso, ¿es mejor que aumentar el número de agentes obstinados?
2. Diseñar un plan de juego para el equipo (Flujo de trabajo/Topología)
Hablemos de la gestión de equipos o optimización de topologías. Este es un concepto relativamente nuevo, pero se está volviendo cada vez más popular.
Pero vale la pena señalar que la mayor parte de la atención se centra en "cómo encontrar" el mejor plan de juego (Método de búsqueda), pero nos olvidamos de prestar atención a las "opciones de plan de juego" que están disponibles (Espacio de búsqueda), ¡que en realidad es igualmente importante!
Esto es similar a cuando la industria de la Búsqueda de Arquitectura Neuronal (NAS) comenzó a florecer, en ese momento se centraba en cómo encontrar estructuras complejas de IA, pero luego descubrí que era mucho más importante tener una buena "elección de estructura" desde el principio.
Por lo tanto, pensamos que el plan de juego o la topología que se nos ocurre a nosotros mismos puede no ser la mejor opción. Con la ayuda de una computadora (Optimización automática de topología), deberíamos poder encontrar algo que funcione mejor, por lo que configuramos los "Bloques de construcción" comúnmente utilizados como una opción para el sistema de búsqueda. Como sigue:
- Lluvia de ideas (agregada): Muchas personas se ayudan mutuamente a pensar y luego votar/resumir la mejor respuesta.
- Reflexionar: Una persona lo hace, la otra lo revisa y recomienda correcciones (como alguien que revisa el trabajo).
- Debate: Mucha gente viene a debatir. Intercambie puntos de vista, encuentre las mejores conclusiones
- Agentes de aduanas: Se pueden agregar agentes con funciones especiales, como resumidores de datos.
- Uso de herramientas: Permite a los agentes utilizar herramientas externas, como buscar en la red o ejecutar código de prueba.
¿Cómo funciona MASS?
Imagina que somos "coaches" que tenemos que construir un equipo de IA para resolver problemas difíciles. Tenemos muchos jugadores (agentes) en nuestro equipo. Cada persona puede ser buena en diferentes cosas. ¿Cómo planeamos ser los mejores en nuestro equipo? Hay que pensar tanto en los "deberes" de cada persona (Prompts) como en el "plan de juego" del equipo (Topología), ¡y hay tantas formas de combinarlos!
MASS es el "entrenador asistente" que nos ayudará aquí. Hay 3 pasos principales:
1. Optimización de solicitudes a nivel de bloque:
- ¿Por qué hacerlo? Primero tenemos que moldear a cada jugador para que sea bueno en su posición. El delantero debe disparar con precisión. El defensor tuvo que interceptar con precisión.
- MASS le ayudará a ajustar las indicaciones y a encontrar buenos ejemplos para que cada agente practique hasta que sea bueno en las tareas asignadas.
- ¿Qué importancia tiene? Si cada jugador no es bueno en su especialidad. Jugar en equipo no sobrevivirá, ¿verdad?
2. Elija una optimización de la topología del flujo de trabajo:
- ¿Por qué hacerlo? Una vez que los jugadores son buenos, tienen que encontrar el mejor plan de juego para el equipo y el oponente.
- MASS le ayudará a encontrar la topología o el plan de juego (por ejemplo, Agregar, Reflejar, Debatir) que funcionará más.
- ¿Qué importancia tiene? Tener un buen plan ayuda aún mejor a los jugadores que ya son buenos trabajando juntos.
3. Optimización de avisos a nivel de flujo de trabajo:
- Una vez que tienes un plan, tienes que practicar para llevarlo a cabo. Pasar la pelota con el corazón, correr en el momento adecuado.
- MASS volverá a ajustar el aviso del agente, pero esta vez el énfasis está en la "recogida-entrega". Información entre agentes en el mapa que hemos elegido. Es lo más suave, el trabajo en equipo es fluido.
- ¿Qué importancia tiene? Incluso si los jugadores son buenos y tienen un buen plan, si no juegan juntos, será difícil ganar. Este paso de sintonía ayuda a aumentar el poder del "trabajo en equipo".
¿El resultado?
¡Los resultados son muy satisfactorios! Los equipos de IA construidos con MASS son obviamente mejores que los equipos construidos de otras maneras. Especialmente los equipos que no mejoran el prompt lo suficientemente bien.
Ya sea que se trate de problemas matemáticos (MATH), comprensión de lectura (HotpotQA) o codificación (HumanEval), los equipos que han sido "entrenados" con MASS obtienen puntajes significativamente mejores.
También intentamos "desmontar" el MASS de uno en uno ( Estudio de ablación Para ver lo importante que es cada paso, descubrí que cada paso realmente contribuye a mejorar el equipo, no solo un paso.
Conclusión: ¿Construir un buen equipo de IA ya no es difícil?
Hay muchos desafíos en la creación de un equipo de IA o un sistema multiagente (MAS) para que funcionen bien juntos, incluida la redacción correcta del mensaje (¡lo que descubrimos que es extremadamente importante en nuestra investigación!). Y elegir la topología o estructura de equipo que sea realmente adecuada para el trabajo.
Por lo tanto, esta investigación presenta a MASS como un "coach" o marco que ayuda a simplificar el diseño de equipos de IA con 3 pasos principales. Desde la elección de una estructura de equipo hasta la sintonización para trabajar juntos sin problemas.
Los resultados son claros en que MASS nos ha ayudado a crear equipos de IA que no solo son mejores, sino que colaboran de manera más efectiva. ¿Quién está trabajando en este tipo de proyectos? ¡Apliquemos estos principios y herramientas!