AI-Agent-Systems wenden das Konzept von Compound-AI-Systems (CAIS) und die modulare Entwurfstheorie auf die Entwicklung realer KI-Systeme an. Sie verwenden mehrere Komponenten (einschließlich Modelle, Retriever und Vektordatenbanken) sowie Tools für die Bewertung, das Monitoring, die Sicherheit und die Verwaltung. Mit dem „Databricks Mosaic AI Agent Framework“ sind Unternehmen in der Lage, solche End-to-End-Systeme zu entwickeln. Es kann verwendet werden, um Bewertungskriterien für ein System zu definieren und seine Qualität für die jeweilige Anwendung zu bewerten. Das Mosaic-AI-Gateway bietet Zugriffskontrollen, Ratenbegrenzung, Nutzdatenprotokollierung und entsprechende Leitplanken (Filterung von Systemeingaben und -ausgaben). Das Gateway ermöglicht dem Benutzer ein ständiges Monitoring der laufenden Systeme, um Sicherheit, Verzerrungen und Qualität zu kontrollieren.
Die typischen Komponenten eines AI-Agent-Systems sind:
- Einbettung von Modellen und Vektordatenbanken (Mosaic AI Vector Search).
- Funktionsaufruf und Schnittstelle zur Werkzeugnutzung (Mosaic AI Function Calling).
- Anpassung von LLMs durch Prompting oder Feinabstimmung (MLFlow LLMOps, DSPy on Databricks, Mosaic AI Fine-tuning).
- Monitoring und Sicherheit (Mosaic AI Gateway).
Die AI-Agent-Systems bestehen aus mehreren interagierenden Komponenten. Sie bieten hochwertige Ergebnisse als ein Single-Mode-Basismodell und ermöglichen es KI-Entwicklern, unabhängig überprüfbare Komponenten einzusetzen, die einfacher zu warten und zu aktualisieren sind. Große KI-Anbieter wie OpenAI gehen ebenfalls in diese Richtung, z. B. kann ChatGPT über eine Werkzeugschnittstelle auf das Internet zugreifen, und ihr neuestes Schlussfolgerungsmodell, O1, hat mehrere interagierende Komponenten in seiner Schlussfolgerungskette.
Large-Language-Models (LLMs) waren bisher monolithisch aufgebaut. Die Eingabe neuer Trainingsdaten erforderte oft ein vollständiges neues Training des Modells, und die Auswirkungen von Anpassungen waren schwer zu charakterisieren. Infolgedessen waren LLMs unzuverlässige, undurchschaubare Einheiten; es war unklar, wann ihr Output auf gelieferten, überprüften Daten beruhte oder bereits in den Trainingsdaten enthalten war. Aufgrund dieser „Blackbox“-Ausgabe waren sie für Unternehmensanwendungen, die ein hohes Maß an Kontrolle, Zuverlässigkeit und Vorhersagbarkeit für kundenorientierte Anwendungen erfordern, schlecht geeignet.
AI-Agent-Systems sind die ersten Vertreter eines neuen Paradigmas für die Anwendungsentwicklung bei intelligenten Anwendungen. Der Wechsel von monolithischen, nicht verwalteten LLMs zu einem modularen, anpassbaren Ansatz ist eine natürliche Entwicklung, die viele Vorteile mit sich bringt: höhere Zuverlässigkeit, einfachere Wartbarkeit und größere Erweiterbarkeit. Databricks bietet die Grundlage, um diese Anwendungen in einer einheitlichen Plattform mit den erforderlichen Überwachungs- und Verwaltungsstrukturen für Unternehmensanforderungen zusammenzufügen. Entwickler, die lernen, diese Tools für ihr Unternehmen zu nutzen, haben einen deutlichen Vorteil bei der schnellen Erstellung hochwertiger Anwendungen.
#Databricks