सिंहावलोकन
मिक्सचर-ऑफ-एजेंट्स (एमओए) एक ऐसी तकनीक है जहां कई भाषा मॉडल उत्तरों का मसौदा तैयार करते हैं और फिर एक एग्रीगेटर मॉडल उनके सर्वोत्तम विचारों को एक बेहतर प्रतिक्रिया में जोड़ता है। यह खुले मॉडलों की एक टीम को एकल शीर्ष स्तरीय मॉडल को प्रतिद्वंद्वी या हराने देता है।
एजेंट्स का मिश्रण एकत्रीकरण भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है।
गहरा गोता
टुगेदर एआई के 2024 पेपर में पेश किया गया, मिक्सचर-ऑफ-एजेंट्स कई एलएलएम को परतों में व्यवस्थित करता है। पहली परत में, कई 'प्रस्तावक' मॉडल प्रत्येक स्वतंत्र रूप से संकेत का उत्तर देते हैं। फिर उनके आउटपुट को संयोजित किया जाता है और अगली परत को सौंप दिया जाता है, जहां मॉडल फिर से प्रतिक्रिया देते हैं, अब सभी पिछले ड्राफ्ट पर वातानुकूलित हैं। ऐसे एक या अधिक राउंड के बाद, एक अंतिम 'एग्रीगेटर' मॉडल हर चीज़ को एक ही उत्तर में संश्लेषित करता है। मुख्य अंतर्दृष्टि, जिसे लेखक 'एलएलएम की सहयोगात्मकता' कहते हैं, वह यह है कि जब साथियों के उत्तर दिखाए जाते हैं, तो मॉडल बेहतर प्रतिक्रिया उत्पन्न करते हैं, यहां तक कि अपूर्ण उत्तर भी। AlpacaEval 2.0 बेंचमार्क पर, पूरी तरह से ओपन-सोर्स मॉडल से निर्मित MoA ने कथित तौर पर GPT-4 ओमनी के स्कोर को पार कर लिया है, यह दर्शाता है कि विविध, सस्ते मॉडल का सावधानीपूर्वक एकत्रीकरण एक एकल फ्रंटियर सिस्टम को हरा सकता है।
तकनीकी अंतर्दृष्टि
एमओए साधारण बहुमत मतदान से भिन्न है: एक उत्तर चुनने के बजाय, एग्रीगेटर सभी उम्मीदवार प्रतिक्रियाओं को संदर्भ के रूप में पढ़ता है और एक ताजा संश्लेषण, सम्मिश्रण ताकत और फ़िल्टरिंग त्रुटियों को उत्पन्न करता है। प्रस्तावकों के बीच विविधता से मदद मिलती है, इसलिए विभिन्न मॉडल परिवारों का मिश्रण मूल्यवान है। संरचना एक गहरे नेटवर्क की तरह स्तरित है, जहां प्रत्येक परत के 'न्यूरॉन्स' संपूर्ण एलएलएम कॉल हैं। व्यापार-बंद विलंबता और लागत है: प्रत्येक परत अनुमान कॉल की संख्या को गुणा करती है, इसलिए गुणवत्ता बढ़ाने के लिए एमओए अधिक गणना खर्च करता है।
एजेंटों के मिश्रण के एकत्रीकरण में महारत हासिल करना
मिक्सचर-ऑफ-एजेंट्स (एमओए) एक ऐसी तकनीक है जहां कई भाषा मॉडल उत्तरों का मसौदा तैयार करते हैं और फिर एक एग्रीगेटर मॉडल उनके सर्वोत्तम विचारों को एक बेहतर प्रतिक्रिया में जोड़ता है। यह खुले मॉडलों की एक टीम को एकल शीर्ष स्तरीय मॉडल को प्रतिद्वंद्वी या हराने देता है। एजेंट्स का मिश्रण एकत्रीकरण भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है। गहरी समझ बनाने के लिए, मिक्सचर-ऑफ-एजेंट एग्रीगेशन को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि एक विशेषता के रूप में: वांछित परिणामों को परिभाषित करें, मान्यताओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, मिक्सचर-ऑफ-एजेंट एग्रीगेशन का उपयोग करने वाली मजबूत टीमें एक एकीकृत संचार प्रणाली के रूप में संकेत, पुनर्प्राप्ति और समीक्षा लूप डिजाइन करती हैं। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। साथ ही, मतिभ्रमित तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
प्रस्तावकों के रूप में तीन अलग-अलग खुले चैट मॉडलों को संयोजित करना, फिर एक बेहतर ग्राहक-सहायता उत्तर तैयार करने के लिए एक मजबूत एग्रीगेटर का उपयोग करना।
केवल ओपन-सोर्स मॉडल का उपयोग करके अल्पाकाएवल-शैली बेंचमार्क पर निर्देश-अनुसरण स्कोर को बढ़ावा देना।
कई मॉडलों से विविध कोड सुझावों को एक एकल, अधिक मजबूत फ़ंक्शन कार्यान्वयन में संयोजित करना।
एक ओपन-वेट पाइपलाइन चलाना जो गोपनीयता-संवेदनशील तैनाती के लिए सीमांत गुणवत्ता तक पहुंचता है जहां डेटा कंपनी के सर्वर को नहीं छोड़ सकता है।
कार्यान्वयन पैटर्न
व्यवहार में एजेंटों का मिश्रण एकत्रीकरण
प्रस्तावकों के रूप में तीन अलग-अलग खुले चैट मॉडलों को संयोजित करना, फिर एक बेहतर ग्राहक-सहायता उत्तर तैयार करने के लिए एक मजबूत एग्रीगेटर का उपयोग करना।
प्रस्तावकों के रूप में तीन अलग-अलग खुले चैट मॉडल को संयोजित करना, फिर एक बेहतर ग्राहक-सहायता उत्तर तैयार करने के लिए एक मजबूत एग्रीगेटर का उपयोग करना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एजेंटों का मिश्रण एकत्रीकरण
केवल ओपन-सोर्स मॉडल का उपयोग करके अल्पाकाएवल-शैली बेंचमार्क पर निर्देश-अनुसरण स्कोर को बढ़ावा देना।
केवल ओपन-सोर्स मॉडल का उपयोग करके अल्पाकाएवल-शैली बेंचमार्क पर निर्देश-पालन स्कोर को बढ़ावा देना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एजेंटों का मिश्रण एकत्रीकरण
कई मॉडलों से विविध कोड सुझावों को एक एकल, अधिक मजबूत फ़ंक्शन कार्यान्वयन में संयोजित करना।
कई मॉडलों से विविध कोड सुझावों को एक एकल, अधिक मजबूत फ़ंक्शन कार्यान्वयन में संयोजित करना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में एजेंटों का मिश्रण एकत्रीकरण
एक ओपन-वेट पाइपलाइन चलाना जो गोपनीयता-संवेदनशील तैनाती के लिए सीमांत गुणवत्ता तक पहुंचता है जहां डेटा कंपनी के सर्वर को नहीं छोड़ सकता है।
एक ओपन-वेट पाइपलाइन चलाना, जो गोपनीयता-संवेदनशील तैनाती के लिए सीमांत गुणवत्ता तक पहुंचती है, जहां डेटा कंपनी के सर्वर को नहीं छोड़ सकता है। टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।