Procesy oparte na sztucznej inteligencji, zwane r\u00f3wnie\u017c \u2018procesami agentowymi\u2019, znajduj\u0105 si\u0119 w czo\u0142\u00f3wce innowacji technologicznych. Systemy te potrafi\u0105 \u0142\u0105czy\u0107 ze sob\u0105 r\u00f3\u017cne modele i narz\u0119dzia zewn\u0119trzne w celu realizacji skomplikowanych zada\u0144, takich jak analiza materia\u0142u wideo i dostarczanie informacji na temat jego tre\u015bci. Nie s\u0105 one jednak pozbawione problem\u00f3w. Ich projektowanie i wdra\u017canie cz\u0119sto przebiega w spos\u00f3b fragmentaryczny, co prowadzi do nieefektywno\u015bci, marnotrawstwa i niepotrzebnych koszt\u00f3w. <\/p>\n
Nie wszystko jednak stracone. Naukowcy z MIT i Microsoftu nie spoczywaj\u0105 na laurach. Opracowali inteligentny system, kt\u00f3ry pe\u0142ni podw\u00f3jn\u0105 funkcj\u0119 \u2013 usprawnia projektowanie proces\u00f3w opartych na agentach oraz samodzielnie optymalizuje ich wdra\u017canie.<\/p>\n
To nowe podej\u015bcie do przep\u0142ywu pracy z wykorzystaniem sztucznej inteligencji jest co najmniej nowatorskie. Programi\u015bci mog\u0105 opisa\u0107 po\u017c\u0105dane wyniki prostym j\u0119zykiem, bez zag\u0142\u0119biania si\u0119 w szczeg\u00f3\u0142y. Nast\u0119pnie system przejmuje stery, samodzielnie decyduj\u0105c, z jakich modeli i narz\u0119dzi skorzysta\u0107. Ponadto sprawnie zajmuje si\u0119 wszystkimi kwestiami technicznymi, takimi jak konfiguracja sprz\u0119tu i alokacja zasob\u00f3w, gdy ca\u0142o\u015b\u0107 obs\u0142uguje dostawca us\u0142ug w chmurze. <\/p>\n
Co wi\u0119cej, system ten nie jest statyczny. Dostosowuje on te konfiguracje w zale\u017cno\u015bci od aktualnych potrzeb u\u017cytkownika. Chcesz obni\u017cy\u0107 koszty? System si\u0119 tym zajmie. Potrzebujesz b\u0142yskawicznej pr\u0119dko\u015bci? Dostosuje si\u0119 odpowiednio. Testy wykazuj\u0105, \u017ce system ten radykalnie zmniejsza wymagania obliczeniowe, zapewniaj\u0105c znacznie wi\u0119ksz\u0105 efektywno\u015b\u0107 zu\u017cycia energii i obni\u017caj\u0105c koszty bez utraty wydajno\u015bci. <\/p>\n
Tworzenie agentowych przep\u0142yw\u00f3w pracy nie jest bu\u0142k\u0105 z mas\u0142em. Systemy te sk\u0142adaj\u0105 si\u0119 z kilku autonomicznych agent\u00f3w AI, wykorzystuj\u0105cych r\u00f3\u017cne modele i narz\u0119dzia do realizacji wieloetapowych zada\u0144, takich jak przetwarzanie danych i generowanie kodu. To w\u0142a\u015bnie oni s\u0105 cichymi bohaterami stoj\u0105cymi za wieloma aplikacjami przeznaczonymi dla u\u017cytkownik\u00f3w, z kt\u00f3rych korzystamy na co dzie\u0144.<\/p>\n
Oto Murakkab. Nazwa tej platformy pochodzi od urdujskiego s\u0142owa oznaczaj\u0105cego \u2018kompozycj\u0119 rzeczy\u2019 \u2013 Murakkab optymalizuje ca\u0142y proces tworzenia aplikacji opartych na agentach. Programi\u015bci opisuj\u0105, jakie funkcje ma spe\u0142nia\u0107 ich aplikacja, a Murakkab dobiera do tego zadania najlepsze modele i narz\u0119dzia.<\/p>\n
Murakkab nie tylko identyfikuje najlepszych graczy, ale tak\u017ce opracowuje plan gry. Decyduje, kt\u00f3re elementy powinny by\u0107 uruchamiane sekwencyjnie, a kt\u00f3re mog\u0105 omin\u0105\u0107 op\u00f3\u017anienia dzi\u0119ki r\u00f3wnoleg\u0142emu dzia\u0142aniu. Dostosowuje si\u0119 nawet do zmian w \u015brodowisku, elastycznie reaguj\u0105c na pojawiaj\u0105ce si\u0119 modele lub procesory graficzne (akceleratory GPU).<\/p>\n
Kiedy nadchodzi czas wdro\u017cenia aplikacji przez dostawc\u00f3w us\u0142ug w chmurze, Murakkab zachowuje kontrol\u0119 nad procesem, dbaj\u0105c o to, by przebieg pracy by\u0142 dostosowany do wymaga\u0144 u\u017cytkownik\u00f3w, takich jak dok\u0142adno\u015b\u0107 i op\u00f3\u017anienia. Opracowuje optymalne harmonogramy wdro\u017ce\u0144 i alokacje sprz\u0119tu, zachowuj\u0105c przy tym wysoki poziom wydajno\u015bci. <\/p>\n
Co wi\u0119cej, Murakkab nie tylko sprawdza si\u0119 w teorii \u2013 testy wykaza\u0142y, \u017ce zmniejsza zapotrzebowanie obliczeniowe do poziomu 35% w por\u00f3wnaniu z innymi metodami. Zu\u017cywa r\u00f3wnie\u017c oko\u0142o 27% energii w por\u00f3wnaniu z innymi metodami, a jego koszt wynosi mniej ni\u017c 25%.<\/p>\n
Patrz\u0105c w przysz\u0142o\u015b\u0107, naukowcy ju\u017c teraz zastanawiaj\u0105 si\u0119, jak rozszerzy\u0107 system Murakkab, aby mo\u017cna go by\u0142o wykorzystywa\u0107 w bardziej z\u0142o\u017conych procesach roboczych i wi\u0119kszych klastrach obliczeniowych. Trwaj\u0105 prace nad zbadaniem nowych mo\u017cliwo\u015bci optymalizacji aplikacji opartych na agentach. Badania te, hojnie wspierane przez Semiconductor Research Corporation oraz ameryka\u0144sk\u0105 Agencj\u0119 Zaawansowanych Projekt\u00f3w Badawczych Obrony (DARPA), daj\u0105 nadziej\u0119 na znaczne zwi\u0119kszenie efektywno\u015bci wykorzystania zasob\u00f3w w procesach opartych na sztucznej inteligencji, zw\u0142aszcza na g\u0142\u00f3wnych platformach chmurowych, takich jak Azure i AWS. <\/p>\n
Je\u015bli chcesz zg\u0142\u0119bi\u0107 ten temat, zajrzyj do oryginalny artyku\u0142 prasowy<\/a>. A je\u015bli chcesz wdro\u017cy\u0107 automatyzacj\u0119 opart\u0105 na sztucznej inteligencji w swojej firmie, zapoznaj si\u0119 z implementi.ai<\/a> aby przekona\u0107 si\u0119, w jaki spos\u00f3b mog\u0105 zrewolucjonizowa\u0107 funkcjonowanie Twojej firmy.<\/p>","protected":false},"excerpt":{"rendered":" AI-powered workflows, or ‘agentic workflows’, are at the forefront of technological innovation. These systems have the power to chain together various models and external tools to tackle intricate tasks, such as analyzing a video and providing information about its content. However, they’re not without issues. Their design and deployment are often fragmented, leading to inefficiencies, waste, and unnecessary costs. But all hope isn’t lost. Researchers from MIT and Microsoft have their heads in the game. They’ve developed an intelligent system that does double duty – streamlining the design of agentic workflows and optimizing their implementation on its own. The New […]<\/p>\n","protected":false},"author":4,"featured_media":9058,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-9057","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/9057","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=9057"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/9057\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/9058"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=9057"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=9057"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=9057"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}