LlamaIndex فراتر از RAG است تا نمایندگان بتوانند تصمیمات پیچیده ای بگیرند

چارچوب محبوب هماهنگ سازی هوش مصنوعی LlamaIndex Agent Do،ent Workflow (ADW) را معرفی کرد، معماری جدیدی که به گفته این شرکت فراتر از فرآیندهای تولید بازیابی افزوده (RAG) است و بهره وری عامل را افزایش می دهد.

همانطور که چارچوب های هماهنگی همچنان در حال بهبود هستند، این روش می تواند گزینه ای را برای سازمان ها برای ارتقای قابلیت های تصمیم گیری نمایندگان فراهم کند.

LlamaIndex می گوید ADW می تواند به عوامل کمک کند تا «جریان های کاری پیچیده فراتر از است،اج یا تطبیق ساده» را مدیریت کنند.

برخی از فریم ورک های عامل بر اساس سیستم های RAG هستند که اطلاعات مورد نیاز برای انجام وظایف را در اختیار نمایندگان قرار می دهند. با این حال، این روش به عوامل اجازه نمی دهد که بر اساس این اطلاعات تصمیم بگیرند.

LlamaIndex چند مثال واقعی از نحوه عملکرد خوب ADW ارائه کرد. به ،وان مثال، در بررسی قراردادها، تحلیلگران انس، باید اطلاعات کلیدی را است،اج کنند، ا،امات نظارتی را ارجاع دهند، خطرات بالقوه را شناسایی کنند و توصیه هایی را صادر کنند. هنگام استقرار در این گردش کار، عوامل هوش مصنوعی در حالت ایده آل از همان الگو پیروی می کنند و بر اساس اسنادی که می خوانند برای بررسی قراردادها و دانش سایر اسناد تصمیم می گیرند.

LlamaIndex در یک پست وبلاگ گفت: "ADW با مدیریت اسناد به ،وان بخشی از فرآیندهای تجاری گسترده تر به این چالش ها می پردازد." "یک سیستم ADW می تواند وضعیت را در سراسر مراحل حفظ کند، قو،ن تجاری را اعمال کند، اجزای مختلف را هماهنگ کند، و اقداماتی را بر اساس محتوای سند انجام دهد - نه فقط آن را تجزیه کند."

LlamaIndex قبلاً اعلام کرده بود که RAG اگرچه یک فناوری مهم است، به ویژه برای سازمان هایی که به دنبال قابلیت های تصمیم گیری قوی تر با استفاده از هوش مصنوعی هستند، ابتدایی باقی می ماند.

زمینه تصمیم گیری را درک کنید

LlamaIndex معماری های مرجعی را توسعه داده است که قابلیت های تجزیه و تحلیل LlamaCloud و عوامل را ،یب می کند. "سیستم هایی می سازد که می توانند زمینه را درک کنند، وضعیت را حفظ کنند و فرآیندهای چند مرحله ای را هدایت کنند."

برای انجام این کار، هر گردش کار دارای یک سند است که به ،وان فرمت کننده عمل می کند. می تواند عوامل را هدایت کند تا روی LlamaP، کلیک کنند تا اطلاعات را از داده ها است،اج کنند، وضعیت متن سند را حفظ و پردازش کنند، و سپس مطالب مرجع را از پایگاه دانش دیگری بازیابی کنند. از اینجا، نمایندگان می توانند شروع به ایجاد توصیه هایی برای مورد استفاده بازنگری قرارداد یا سایر تصمیمات قابل اجرا برای موارد استفاده مختلف کنند.

این شرکت گفت: «با حفظ وضعیت در طول فرآیند، نمایندگان می توانند گردش های کاری پیچیده و چند مرحله ای را که فراتر از است،اج یا تطبیق ساده است، مدیریت کنند. "این رویکرد به آنها اجازه می دهد تا در حول هماهنگی بین اجزای مختلف سیستم، زمینه عمیقی پیرامون اسنادی که در حال پردازش هستند ایجاد کنند."

فریمورک های مختلف پرو،ی

ار،تراسیون عامل یک زمینه نوظهور است و بسیاری از سازمان ها هنوز در حال بررسی این هستند که چگونه نمایندگان - یا چندین عامل - می توانند برای آنها کار کنند. هماهنگ سازی عوامل و برنامه های هوش مصنوعی ممکن است امسال به یک گفتگوی بزرگ تر تبدیل شود، زیرا عامل ها از سیستم های منفرد به ا،یستم های چند عاملی حرکت می کنند.

عوامل هوش مصنوعی توسعه ای از آنچه RAG ارائه می دهد، ی،ی توانایی یافتن اطلاعات بر اساس دانش سازم، است.

اما از آنجایی که شرکت های بیشتری شروع به استقرار عوامل هوش مصنوعی می کنند، آنها همچنین می خواهند که بسیاری از وظایف انجام شده توسط کارکنان انس، را انجام دهند. برای این موارد استفاده پیچیده تر، RAG "و،لی" کافی نیست. یکی از رویکردهای پیشرفته ای که شرکت ها اتخاذ کرده اند Agent RAG است که پایگاه دانش نمایندگان را گسترش می دهد. مدل ها می توانند قبل از رسیدن به نتیجه تصمیم بگیرند که آیا نیاز به یافتن اطلاعات بیشتری دارند، از کدام ابزار برای به دست آوردن آن اطلاعات استفاده کنند و آیا زمینه ای که به تازگی واکشی کرده اند مرتبط است یا خیر.

بینش روزانه در مورد موارد استفاده تجاری با VB Daily

اگر می خواهید رئیس خود را تحت تأثیر قرار دهید، VB Daily شما را تحت پوشش قرار می دهد. ما اطلاعاتی در مورد آنچه شرکت ها با هوش مصنوعی مولد انجام می دهند، از تحولات سازم، گرفته تا استقرار عملی به شما ارائه می دهیم، بنابراین می تو،د بینش هایی را برای به حدا،ر رساندن بازگشت سرمایه به اشتراک بگذارید.

سیاست حفظ حریم خصوصی ما را بخو،د

با تشکر برای اشتراک. خبرنامه های بیشتر VB را اینجا ببینید.

خطایی رخ داد.