LlamaIndex فراتر از RAG عمل می‌کند تا دستیاران هوش مصنوعی بتوانند تصمیمات پیچیده‌تری بگیرند
زمان مطالعه: 3 دقیقه
LlamaIndex به‌عنوان چارچوب محبوب هماهنگی هوش مصنوعی، معماری جدیدی به نام ADW (Agent Document Workflow) معرفی کرده است. به گفته این شرکت، این معماری فراتر از فرآیندهای تولید تقویت‌شده با بازیابی (RAG) عمل می‌کند و بهره‌وری دستیاران هوش مصنوعی را به طور چشمگیری افزایش می‌دهد.
با پیشرفت مستمر چارچوب‌های هماهنگی، این روش می‌تواند به سازمان‌ها امکان بهبود قابلیت‌های تصمیم‌گیری سامانه‌های هوش مصنوعی را بدهد.
هم‌راهی با مقررات هوش مصنوعی در خدمات مالی – AI Impact Tour 2024
LlamaIndex ادعا می‌کند که ADW می‌تواند به دستیاران هوش مصنوعی کمک کند تا «گردش کارهای پیچیده‌تری فراتر از استخراج ساده یا تطابق اطلاعات» را مدیریت کنند.
برخی از چارچوب‌های مبتنی بر هوش مصنوعی، بر پایه سیستم‌های RAG ساخته شده‌اند که اطلاعات لازم را برای انجام وظایف در اختیار دستیاران قرار می‌دهند. با این حال، این روش به آن‌ها اجازه نمی‌دهد تا بر اساس این اطلاعات تصمیم‌گیری کنند.
LlamaIndex چند مثال عملی از نحوه عملکرد مؤثر ADW ارائه کرده است. به عنوان مثال، در فرآیند بررسی قراردادها، تحلیلگران انسانی باید اطلاعات کلیدی را استخراج کنند، الزامات قانونی را بررسی نمایند، ریسک‌های احتمالی را شناسایی کرده و در نهایت توصیه‌هایی ارائه دهند. با استفاده از ADW، دستیاران هوش مصنوعی می‌توانند همین الگو را دنبال کنند و بر اساس اسناد مربوط به قراردادها و دانش حاصل از سایر مدارک، تصمیم‌گیری‌های هوشمندانه‌تری انجام دهند.
ADW این چالش‌ها را با نگرشی جامع‌تر به اسناد، به‌عنوان بخشی از فرآیندهای گسترده‌تر کسب‌وکار، حل می‌کند، LlamaIndex در یک پست وبلاگی توضیح داد. «یک سیستم ADW فراتر از تحلیل اطلاعات، قادر است وضعیت را در مراحل مختلف پیگیری کند، قوانین کسب‌وکار را اعمال نماید، بین اجزای مختلف هماهنگی ایجاد کرده و بر اساس محتوای اسناد، اقدامات عملی انجام دهد.»
LlamaIndex پیش‌تر اشاره کرده بود که هرچند RAG یک تکنیک ارزشمند است، اما برای سازمان‌هایی که به دنبال قابلیت‌های پیشرفته‌تر در تصمیم‌گیری‌های مبتنی بر هوش مصنوعی هستند، هنوز در مراحل ابتدایی قرار دارد.
درک مفهوم برای تصمیم‌گیری
LlamaIndex معماری‌های مرجعی توسعه داده است که قابلیت‌های تجزیه‌وتحلیل LlamaCloud را با دستیاران هوش مصنوعی ترکیب می‌کند. این سیستم‌ها می‌توانند «مفهوم را درک کنند، وضعیت را حفظ نمایند و فرآیندهای چندمرحله‌ای را پیش ببرند.»
برای دستیابی به این هدف، هر گردش کار شامل یک سند است که نقش هماهنگ‌کننده را ایفا می‌کند. این سند می‌تواند به دستیاران هوش مصنوعی دستور دهد تا از LlamaParse برای استخراج اطلاعات از داده‌ها استفاده کنند، وضعیت مفهومی سند و فرآیند را حفظ نمایند و سپس اطلاعات مرجع را از یک پایگاه دانش دیگر بازیابی کنند. از این نقطه، دستیاران هوش مصنوعی می‌توانند تولید توصیه‌هایی برای بررسی قراردادها یا تصمیم‌های عملیاتی برای موارد استفاده مختلف را آغاز کنند.
«با حفظ وضعیت در طول فرآیند، دستیاران هوش مصنوعی می‌توانند گردش کارهای پیچیده و چندمرحله‌ای را مدیریت کنند که فراتر از استخراج ساده یا تطابق اطلاعات هستند»، شرکت توضیح داد. «این رویکرد به آن‌ها امکان می‌دهد تا درک عمیقی از اسنادی که پردازش می‌کنند به دست آورند و هم‌زمان بین اجزای مختلف سیستم هماهنگی ایجاد کنند.»
چارچوب‌های متفاوت برای دستیاران هوش مصنوعی
هماهنگی بین دستیاران هوش مصنوعی (Agentic Orchestration) یک حوزه نوظهور است و بسیاری از سازمان‌ها هنوز در حال بررسی این موضوع هستند که چگونه دستیاران هوش مصنوعی یا چندین دستیار می‌توانند برای آن‌ها مفید باشند. هماهنگی بین دستیاران و برنامه‌های هوش مصنوعی ممکن است امسال به بحث داغ‌تری تبدیل شود، زیرا دستیاران از سیستم‌های تک‌جزئی به اکوسیستم‌های چندعاملی تبدیل می‌شوند.
دستیاران هوش مصنوعی در واقع گسترش‌یافته چیزی هستند که RAG ارائه می‌دهد، یعنی توانایی یافتن اطلاعات مبتنی بر دانش سازمانی.
البته با افزایش استقرار دستیاران هوش مصنوعی در سازمان‌ها، انتظارات نیز بالاتر رفته است. سازمان‌ها می‌خواهند این دستیاران بسیاری از وظایفی را که کارمندان انسانی انجام می‌دهند، بر عهده بگیرند. برای چنین موارد استفاده پیچیده‌ای، RAG ساده (vanilla RAG) کافی نیست.
یکی از رویکردهای پیشرفته‌ای که سازمان‌ها در نظر گرفته‌اند، RAG عاملی (Agentic RAG) است که پایگاه دانش دستیاران را گسترش می‌دهد. در این روش، مدل‌ها می‌توانند تصمیم بگیرند که آیا نیاز به یافتن اطلاعات بیشتر دارند؟ از چه ابزاری برای دریافت آن اطلاعات استفاده کنند؟ قبل از اینکه به نتیجه نهایی برسند، آیا مفهومی که به‌تازگی دریافت کرده‌اند مرتبط است یا خیر.
