ওভারভিউ
মিক্সচার-অফ-এজেন্টস (MoA) হল এমন একটি কৌশল যেখানে বেশ কয়েকটি ভাষার মডেল উত্তরের খসড়া তৈরি করে এবং তারপর একটি সমষ্টিকারী মডেল তাদের সেরা ধারণাগুলিকে একটি উন্নত প্রতিক্রিয়াতে ফিউজ করে। এটি উন্মুক্ত মডেলের একটি দলকে প্রতিদ্বন্দ্বী বা একটি একক শীর্ষ-স্তরের মডেলকে পরাজিত করতে দেয়।
মিক্সচার-অফ-এজেন্ট অ্যাগ্রিগেশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য ও বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়।
গভীর ডুব
Together AI থেকে 2024 সালের একটি গবেষণাপত্রে উপস্থাপন করা হয়েছে, Mixture-of-Agents একাধিক LLM-কে স্তরে সাজিয়েছে। প্রথম স্তরে, বেশ কয়েকটি 'প্রস্তাবক' মডেল প্রতিটি স্বাধীনভাবে প্রম্পটের উত্তর দেয়। তাদের আউটপুটগুলি তারপর একত্রিত করা হয় এবং পরবর্তী স্তরে হস্তান্তর করা হয়, যেখানে মডেলগুলি আবার সাড়া দেয়, এখন আগের সমস্ত ড্রাফ্টগুলিতে শর্তযুক্ত। এই ধরনের এক বা একাধিক রাউন্ডের পরে, একটি চূড়ান্ত 'অ্যাগ্রিগেটর' মডেল সবকিছুকে একক উত্তরে সংশ্লেষিত করে। মূল অন্তর্দৃষ্টি, যাকে লেখকরা 'LLMs-এর সহযোগিতামূলকতা' বলে অভিহিত করেন, তা হল যে মডেলগুলি যখন সহকর্মীদের উত্তর দেখানো হয়, এমনকি অসম্পূর্ণ উত্তরগুলি দেখানো হয় তখন আরও ভাল প্রতিক্রিয়া তৈরি করে৷ AlpacaEval 2.0 বেঞ্চমার্কে, সম্পূর্ণরূপে ওপেন সোর্স মডেল থেকে তৈরি একটি MoA GPT-4 Omni-এর স্কোরকে ছাড়িয়ে গেছে, এটি প্রদর্শন করে যে বিভিন্ন, সস্তা মডেলের সতর্কতা একত্রিত করা একক সীমান্ত সিস্টেমকে হারাতে পারে।
প্রযুক্তিগত অন্তর্দৃষ্টি
MoA সাধারণ সংখ্যাগরিষ্ঠ ভোটিং থেকে পৃথক: একটি উত্তর বাছাই করার পরিবর্তে, সমষ্টিকারী সমস্ত প্রার্থীর প্রতিক্রিয়াগুলি প্রসঙ্গ হিসাবে পড়ে এবং একটি নতুন সংশ্লেষণ, শক্তি মিশ্রন এবং ফিল্টারিং ত্রুটি তৈরি করে। প্রস্তাবকদের মধ্যে বৈচিত্র্য সাহায্য করে, তাই বিভিন্ন মডেল পরিবারের মিশ্রিত করা মূল্যবান। কাঠামোটি স্তরযুক্ত, একটি গভীর নেটওয়ার্কের মতো যেখানে প্রতিটি স্তরের 'নিউরন' সম্পূর্ণ এলএলএম কল। ট্রেড-অফ হল লেটেন্সি এবং খরচ: প্রতিটি লেয়ার ইনফারেন্স কলের সংখ্যাকে বহুগুণ করে, তাই MoA গুণমান উত্তোলনের জন্য আরও বেশি কম্পিউট খরচ করে।
মাস্টারিং মিশ্রণ-অফ-এজেন্ট সমষ্টি
মিক্সচার-অফ-এজেন্টস (MoA) হল এমন একটি কৌশল যেখানে বেশ কয়েকটি ভাষার মডেল উত্তরের খসড়া তৈরি করে এবং তারপর একটি সমষ্টিকারী মডেল তাদের সেরা ধারণাগুলিকে একটি উন্নত প্রতিক্রিয়াতে ফিউজ করে। এটি উন্মুক্ত মডেলের একটি দলকে প্রতিদ্বন্দ্বী বা একটি একক শীর্ষ-স্তরের মডেলকে পরাজিত করতে দেয়। মিক্সচার-অফ-এজেন্ট অ্যাগ্রিগেশন হল ভাষা-এআই স্ট্যাকের অংশ যা পাঠ্য ও বক্তৃতা পাঠ, তৈরি, শ্রেণীবিভাগ এবং রূপান্তর করতে ব্যবহৃত হয়। গভীর বোঝাপড়া তৈরি করতে, মিক্সচার-অফ-এজেন্টস অ্যাগ্রিগেশনকে একটি অপারেটিং মডেল হিসাবে বিবেচনা করুন, একটি একক বৈশিষ্ট্য নয়: পছন্দসই ফলাফলগুলি সংজ্ঞায়িত করুন, অনুমানগুলি স্পষ্ট করুন এবং সিস্টেমটি নির্ভরযোগ্যভাবে কী করতে পারে তা এখনও বিশেষজ্ঞের রায়ের প্রয়োজন থেকে আলাদা করুন৷
অনুশীলনে, একটি সমন্বিত যোগাযোগ ব্যবস্থা হিসাবে মিক্সচার-অফ-এজেন্টস অ্যাগ্রিগেশন ডিজাইন প্রম্পট, পুনরুদ্ধার এবং পর্যালোচনা লুপ ব্যবহার করে শক্তিশালী দল। তারা সুস্পষ্ট সাফল্যের মাপকাঠি নথিভুক্ত করে, বাস্তবসম্মত ডেটা এবং কর্মপ্রবাহের বিরুদ্ধে পরীক্ষা করে এবং এককালীন বেঞ্চমার্ক জয়ের পরিবর্তে পর্যবেক্ষিত ব্যর্থতার ধরণগুলির উপর ভিত্তি করে পুনরাবৃত্তি করে। এখানেই তাত্ত্বিক বোঝাপড়া পণ্য, নীতি এবং অপারেশন জুড়ে টেকসই সক্ষমতায় পরিণত হয়।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। একই সময়ে, হ্যালুসিনেটেড ফ্যাক্টগুলি নিঃশব্দে রিপোর্ট, সমর্থন প্রবাহ বা গবেষণা আউটপুট প্রবেশ করতে পারে। সবচেয়ে স্থিতিস্থাপক পদ্ধতি হল প্রশাসনিক শৃঙ্খলার সাথে পরীক্ষার গতিকে একত্রিত করা: পাইলট চালান, প্রমাণ ক্যাপচার করুন, সিদ্ধান্তের লগ প্রকাশ করুন এবং মডেল আচরণ, ব্যবহারকারীর প্রত্যাশা এবং নিয়ন্ত্রক প্রয়োজনীয়তাগুলি বিকশিত হওয়ার সাথে সাথে অবিচ্ছিন্ন সুরক্ষাগুলি আপডেট করুন।
কৌশলগত প্রভাব
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে। উচ্চ-মানের স্থাপনায়, এটি পরিমাপযোগ্য অপারেটিং নিয়ম, মালিকানার সীমানা এবং পুনরাবৃত্ত পর্যালোচনার আচার-অনুষ্ঠানে অনুবাদ করা হয় যাতে দলগুলি অস্পষ্টতার পরিবর্তে আত্মবিশ্বাস বাড়াতে পারে।
বাস্তব-বিশ্ব বাস্তবায়ন
প্রস্তাবক হিসাবে তিনটি ভিন্ন ওপেন চ্যাট মডেলকে একত্রিত করা, তারপর একটি শক্তিশালী গ্রাহক-সমর্থন উত্তর তৈরি করতে একটি শক্তিশালী সমষ্টি ব্যবহার করে।
শুধুমাত্র ওপেন-সোর্স মডেল ব্যবহার করে AlpacaEval-স্টাইল বেঞ্চমার্কে নির্দেশনা-অনুসরণকারী স্কোর বৃদ্ধি করা।
একটি একক, আরও শক্তিশালী ফাংশন বাস্তবায়নে বেশ কয়েকটি মডেল থেকে বিভিন্ন কোড প্রস্তাবনাগুলিকে একত্রিত করা।
একটি ওপেন-ওয়েট পাইপলাইন চালানো যা গোপনীয়তা-সংবেদনশীল স্থাপনার জন্য সীমান্তের মানের কাছে যায় যেখানে ডেটা কোনও কোম্পানির সার্ভার ছেড়ে যেতে পারে না।
বাস্তবায়ন নিদর্শন
অনুশীলনে এজেন্টের মিশ্রণ
প্রস্তাবক হিসাবে তিনটি ভিন্ন ওপেন চ্যাট মডেলকে একত্রিত করা, তারপর একটি শক্তিশালী গ্রাহক-সমর্থন উত্তর তৈরি করতে একটি শক্তিশালী সমষ্টি ব্যবহার করে।
প্রস্তাবক হিসাবে তিনটি ভিন্ন ওপেন চ্যাট মডেলকে একত্রিত করা, তারপর একটি সুদৃঢ় গ্রাহক-সমর্থন উত্তর তৈরি করার জন্য একটি শক্তিশালী সমষ্টি ব্যবহার করে দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে এজেন্টের মিশ্রণ
শুধুমাত্র ওপেন-সোর্স মডেল ব্যবহার করে AlpacaEval-স্টাইল বেঞ্চমার্কে নির্দেশনা-অনুসরণকারী স্কোর বৃদ্ধি করা।
শুধুমাত্র ওপেন-সোর্স মডেলগুলি ব্যবহার করে AlpacaEval-স্টাইলের বেঞ্চমার্কগুলিতে নির্দেশনা-অনুসরণকারী স্কোরগুলি বৃদ্ধি করা দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে এজেন্টের মিশ্রণ
একটি একক, আরও শক্তিশালী ফাংশন বাস্তবায়নে বেশ কয়েকটি মডেল থেকে বিভিন্ন কোড প্রস্তাবনাগুলিকে একত্রিত করা।
বিভিন্ন মডেল থেকে বিভিন্ন কোডের পরামর্শকে একক, আরও শক্তিশালী ফাংশন বাস্তবায়নে মিশ্রিত করে দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
অনুশীলনে এজেন্টের মিশ্রণ
একটি ওপেন-ওয়েট পাইপলাইন চালানো যা গোপনীয়তা-সংবেদনশীল স্থাপনার জন্য সীমান্তের মানের কাছে যায় যেখানে ডেটা কোনও কোম্পানির সার্ভার ছেড়ে যেতে পারে না।
একটি ওপেন-ওয়েট পাইপলাইন চালানো যা গোপনীয়তা-সংবেদনশীল স্থাপনার জন্য সীমান্তের মানের সাথে যোগাযোগ করে যেখানে ডেটা কোনও কোম্পানির সার্ভারগুলি ছেড়ে যেতে পারে না দলগুলি সাধারণত ভাল ফলাফল পায় যখন তারা সামনের মানের থ্রেশহোল্ডগুলিকে সংজ্ঞায়িত করে, প্রান্তের ক্ষেত্রে একটি মানবিক বৃদ্ধির পথ রাখে এবং সময়ের সাথে সাথে উত্পাদনশীলতা লাভ এবং ত্রুটির খরচ উভয়ই ট্র্যাক করে৷
ঝুঁকি এবং প্রহরী
হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
বাস্তবায়ন রোডম্যাপ
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন। প্রতিটি পদক্ষেপকে একটি প্রমাণ গেট হিসাবে বিবেচনা করুন: যদি মানদণ্ড পূরণ না হয়, রোলআউট থামান, ব্যবধান বন্ধ করুন এবং শুধুমাত্র তারপর ব্যবহার প্রসারিত করুন।