top of page

פורטל ידע

עקרונות מרכזיים בעיצוב ארכיטקטורה תומכת גישת Agentic AI

30.12.2024

מאת: ד"ר לוי שאול | Data & AI Lead, Accenture Israel




 

מאמר זה הינו מאמר שלישי בסדרת מאמרים זו שמטרתה לתאר תפיסת ארכיטקטורה Gen AI מבוססת סוכנים מודולריים לבניית מערכות מתקדמות גמישות וניתנות להתאמה. 

במאמר הראשון ניתנה סקירה לגבי שלושת הגורמים העיקריים אשר מובילים להתפתחות גישת פתרון מבוססת סוכנים ( התפתחות מודלי שפה גדולים  , מינוף פתרונות AI לרוחב הארגון וצורך בפתרון בעיות מורכבות). 

במאמר השני ניתחנו את המאפיינים הייחודיים בארכיטקטורת פתרונות AI מבוססי סוכנים.

במאמר זה ננתח את העקרונות המרכזיים בעיצוב ארכיטקטורה תומכת פתרונות משולבי בינה מלאכותית המבוססים על גישת Agentic AI.


  1. עקרון ראשון מרכזי הינו היכולת לאפשר התמחות של סוכנים בביצוע משימות תוך עמידה ב KPI שהוגדרו להם (למשל Latency, accuracy, cost וכו'). סוכנים שונים יכולים להידרש ל KPI שונים עבור אותה משימה כתלות בתרחיש. לעיתים הסוכן, למשל זה שבהיררכיה הנמוכה ביותר (ראו מאמר קודם), נדרש לבצע משימה מאוד ספציפית (למשל חיזוי, חילוץ מידע וכו') אבל כל פעם בהקשרים של תרחישים שונים: למשל השתלבות בתהליך שנדרש לביצוע בזמן אמת, השתלבות בתהליך שהתוצר שלו מופנה ללקוח או השתלבות בתהליך מוכוון לקוח פנימי בארגון. כך, לכל אחד מתרחישים אלו יידרשו KPI -ים אחרים אף שמדובר באותו סוג פעולה שאותו סוכן נדרש לבצע. לפיכך , הארכיטקטורה נדרשת לתמוך בצימוד גמיש ומשתנה של מודלי LLM שונים להפעלה ע"י הסוכן בהתאם ל KPI שהסוכן אמור לעמוד בהם.

  2. עקרון שני הוא היכולת לאפשר תבניות ארכיטקטוניות שונות מתוך הכרה שלא כל הפתרונות הארגוניים נדרשים לעמוד במבנה היררכי קפדני. בעוד שמבנים היררכיים, כגון זה שהוזכר במאמר הקודם (Orchestrator Agent, Super Agent, Utility Agent) מציעים בסיס חזק לשליטה ותיאום, תבניות ארכיטקטוניות אחרות יכולות להיות יעילות באותה מידה ועשויות להתאים יותר למקרי שימוש מסוימים. להלן כמה דוגמאות לתבניות אדריכליות חלופיות:

    • מודולרי: סוכנים מתוכננים כמודולים עצמאיים שניתן לשלב מחדש בקלות כדי ליצור זרימות עבודה מגוונות.

    • מבוזר: סוכנים פועלים באופן עצמאי, מתקשרים ומשתפים פעולה לפי הצורך אך לא כחלק מתהליך זרימה שלם.

    • מאוחד: סוכנים שומרים על שליטה מקומית על הנתונים והמודלים שלהם, אך משתפים פעולה כדי לחלוק תובנות, ידע ומידע לוקליים וגלובליים.

    • קולקטיב: סוכנים מרובים מקיימים אינטראקציה ומנהלים משא ומתן כדי לפתור בעיות באופן קולקטיבי.

    • ארגון עצמי: סוכנים המסתגלים באופן דינמי ומגדירים את אופן פעולתם מחדש על סמך תנאים או יעדים משתנים.

    • רקורסיבי: סוכנים המפרקים משימות מורכבות לתת-משימות קטנות יותר, תוך שימוש רקורסיבי באותה גישה לפתרון בעיות בכל רמה.

    • מונחה אירועים: סוכנים מגיבים לאירועים או טריגרים, יוזמים פעולות או זרימות עבודה המבוססות על אירועים בזמן אמת.


  3. עקרון שלישי הינו היכולת להגדיר את הקונפיגורציה הנדרשת להפעלת הסוכן. כל סוכן נדרש להיות בעל יכולת הגדרת קונפיגורציה ייעודית בהתאם לאופי המשימה.

    פרמטרי קונפיגורציה מרכזיים כוללים יכולת הגדרה של:

    • מטרות סוכן: יעדים מוגדרים בבירור המנחים את פעולותיו והחלטותיו של הסוכן.

    • מאגר מודלי LLM הזמינים לשימוש ושילוב בעבודת הסוכן ופועלים תחת הנחייתו (עבור הסוכנים בהיררכיה הגבוהה יותר, קרי Orchestrator Agent, Super Agent).

    • מאגר כלים: מאגר מקיף של כלים שסוכני שירות (Utility Agents) יכולים להפעיל לטובת ביצוע משימות בצורה יעילה ומדויקת, כולל חיפושים חיצוניים, קריאות API ופונקציות משולבות אחרות.

  4. עקרון רביעי הינו היכולת לנהל זיכרון משותף. מרכיב חיוני של פתרונות מבוססי גישת Agentic AI הינו מערכת הזיכרון המשותפת. מערכת זו פועלת כתשתית מרכזית שבה נאסף ומאוחד משוב מכל הסוכנים. זיכרון משותף זה מבטיח שכל הסוכנים עובדים ביחד עם אותו מידע והקשר, ומאפשרים שיתוף פעולה חלק וביצוע משימות עקביות. תכונות עיקריות של הזיכרון המשותף כוללות:

    • משוב מרכזי: מאפשר לשמור תובנות ועדכונים מכל סוכני ה-LLM המעורבים במשימה.

    • משוב קונטקסטואלי: מאפשר לשמור על זרימת שיחה מגובשת בהקשרים השונים העולים בתהליך ניהול המשימה. 

    • משוב מיידי: מאפשר לעדכן עדכונים חיוניים ומיידים (Latency נמוך) ובכך מאפשר מעקב, מענה וניהול פעולות בזמן אמת.


במאמר הבא, אציג התייחסות בנוגע לתשתית הנדרשת על מנת לממש את העקרונות הארכיטקטוניים שהוצגו עד כה.

Comments


bottom of page