AI pramonės meilės reikalas su overengineering reikalauja intervencijos

"Mums reikia kelių agentų architektūros."

Šie aštuoni žodžiai paskatino tūkstančius įmonių AI projektų ir daugelį jų pasmerkė žlugti. Kūrimo patalpose visame Silicio slėnyje ir už jos ribų mačiau, kaip inžinierių komandos šuolis diegė sudėtingas kelių agentų architektūras, prieš tai neuždavę esminio klausimo: ar mums iš tikrųjų reikia tokio sudėtingumo?

Varžybose dėl sudėtingų dirbtinio intelekto sistemų kūrimo pamiršome inžinerinį principą, kuriuo vadovaujasi technologija šimtmečius: paprasčiausias veikiantis sprendimas paprastai yra geriausias.

Štai paradoksas: kai LLM tampa vis pajėgesni, sudėtingų agentų architektūros poreikis dažnai mažėja, o ne didėja. Tačiau pramonė juda priešinga kryptimi.

Tai nereiškia, kad kelių agentų sistemos neturi savo vietos. Jie tikrai daro. Iššūkis yra žinoti , kada ta vieta yra ir kada jums geriau, jei taikysite supaprastintą požiūrį.

Sumažinkite triukšmą ir sukurkime praktinį sprendimų pagrindą, kada naudoti kelis specializuotus agentus, o ne investuoti į vieną pajėgesnį.

Daugiaagentės paradigmos supratimas

Kelių agentų sistema (MAS) susideda iš kelių AI agentų, kurie kartu atlieka užduotis. Kiekvienas agentas turi individualių savybių, tačiau visi elgiasi bendradarbiaudami, kad pasiektų norimus visuotinius rezultatus.

Šių agentų pagrindas paprastai yra dideli kalbos modeliai (LLM), kurie išnaudoja pažangias natūralios kalbos apdorojimo galimybes.

AI agentus nuo tradicinių LLM išskiria jų gebėjimas:

• Naudokite specializuotus įrankius ir API
• Sukurti ir vykdyti veiksmų planus
• Atnaujinkite jų atmintį, kai jie įgyja naujos informacijos
• Bendrauti ir derinti veiksmus su kitais agentais

Šios sistemos žada didelę naudą:

• Specializacijos pranašumas : skirtingi agentai, optimizuoti konkrečioms užduotims atlikti
• Keičiamas intelektas : sudėtingų problemų suskaidymas į valdomas problemas
• Atsirandančios galimybės : bendradarbiavimo potencialas, viršijantis atskirų agentų gebėjimus
• Kognityvinė įvairovė : keli samprotavimų metodai sudėtingoms problemoms spręsti

Tokie įrankiai kaip „CrewAI“, „AutoGen“ ir „LangGraph“ padarė kelių agentų sistemų kūrimą labiau prieinamą nei bet kada anksčiau. Tačiau šis prieinamumas yra susijęs su rizika: diegti sudėtingas architektūras vien todėl, kad galime, o ne todėl, kad turėtume.

Paslėpto sudėtingumo mokestis

Problema yra ne ta, kad kelių agentų sistemos neveikia, o tai, kad jos patiria didelių paslėptų išlaidų:

• Architektūrinis sudėtingumas : Eksponentinis sistemos projektavimo aspektų padidėjimas
• Papildomos komunikacijos išlaidos : veiksmingo ir tikslaus keitimosi informacija tarp agentų užtikrinimas
• Gedimų pakopinė rizika : vieno agento klaidos, turinčios įtakos visai sistemai
• Košmarų derinimas : kelių agentų darbo eigoje klaidų nustatymas
• Suderinimo iššūkiai : užtikrinti, kad agentai dirbtų siekdami tų pačių tikslų naudodami suderinamus metodus
• Išteklių neefektyvumas : pasikartojantys skaičiavimai ir konteksto dalijimasis

Svarbiausia, kad daugelis komandų neįvertina orkestravimo naštos – išteklių, reikalingų ne tik patiems agentams valdyti, bet ir jų sąveikai valdyti bei užtikrinti kolektyvinę pažangą siekiant tikslų.

Penki įspėjamieji AI pertvarkymo ženklai

Kaip atpažinti, kad jūsų sistema iš elegantiško sudėtingumo peraugo į nereikalingą komplikaciją? Stebėkite šias raudonas vėliavas:

1. Agentų pridėjimas duoda minimalių patobulinimų

Įspėjamasis ženklas : kiekvienas naujas jūsų pridėtas agentas sumažina našumą ir padidina sistemos sudėtingumą.

Realaus pasaulio poveikis : didėjant sudėtingumui, koordinavimo sąnaudos dažnai viršija specialią naudą, kurią suteikia papildomi agentai.

2. Ryšio virš galvos gniuždo našumą

Įspėjamasis ženklas : jūsų agentai daugiau laiko praleidžia koordinuodami, nei atlikdami tikras užduotis.

Realaus pasaulio poveikis : pranešimų perdavimas, konteksto sinchronizavimas ir konfliktų sprendimas gali sunaudoti didelę sistemos išteklių dalį sudėtinguose kelių agentų diegimuose.

3. Sistemos elgesys tampa nepaaiškinamas

Įspėjamasis ženklas : nebegalite aiškiai atsekti, kaip sistema priėmė konkretų sprendimą.

Realaus pasaulio poveikis : tai ypač pavojinga reguliuojamose pramonės šakose, kur paaiškinamumas dažnai yra reikalavimas, o ne tik maloni funkcija.

4. Testavimas tampa praktiškai neįmanomas

Įspėjamasis ženklas : negalite visapusiškai išbandyti visų galimų agento sąveikos scenarijų.

Realaus pasaulio poveikis : Kraštiniai atvejai, kai agentai patenka į prieštaringų sprendimų kilpą, dažnai atsiranda tik po įdiegimo, kai tikrieji vartotojai sąveikauja su sistema.

5. Infrastruktūros sąnaudos viršija vertės pristatymą

Įspėjamasis ženklas : jūsų debesų kompiuterijos sąskaita auga greičiau nei sistemos galimybės.

Realaus pasaulio poveikis : kelių agentų sistemoms dažnai reikia daug daugiau skaičiavimo išteklių nei panašiems vieno agento metodams.

Kelių agentų sprendimų medis: praktinė struktūra

Kad padėčiau orientuotis į šiuos svarstymus, sukūriau sprendimų medžio sistemą, pagrįstą savo patirtimi diegiant dirbtinio intelekto sistemas daugybei įmonių klientų:

Šis sprendimų medis suteikia struktūrinį metodą, leidžiantį įvertinti, ar jūsų naudojimo atveju tikrai reikia kelių agentų sistemos.

Tiems, kurie renkasi paprastesnį žingsnis po žingsnio metodą, pateikiame pagrindinius klausimus:

1 klausimas : ar užduotis veiksmingai išskaidoma į nepriklausomas papildomas užduotis?

• Ne → Naudokite vieną agentą
• Taip → Tęsti prie 2 klausimo

2 klausimas : ar papildomoms užduotims reikalingos iš esmės skirtingos galimybės?

• Ne → Naudokite vieną agentą
• Taip → Tęsti prie 3 klausimo

3 klausimas : ar atliekant papildomas užduotis reikalingas dažnas bendravimas ar bendra būsena?

• Taip → Naudokite vieną agentą
• Ne → Tęsti prie 4 klausimo

4 klausimas : ar reikalingas horizontalus mastelio keitimas?

• Taip → Naudokite kelių agentų sistemą
• Ne → Tęsti prie 5 klausimo

5 klausimas : ar didelis atsparumas gedimams ir tvirtumas yra labai svarbūs?

• Taip → Naudokite kelių agentų sistemą
• Ne → Tęsti prie 6 klausimo

6 klausimas : ar turite pakankamai plėtros išteklių, kad padidėtų sudėtingumas?

• Ne → Pradėkite nuo vieno agento
• Taip → Gali tikti kelių agentų sistema

Naujausiame Pasaulio ekonomikos forumo tyrime pabrėžiami kelių agentų sistemų saugos ir valdymo aspektai, atkreipiant dėmesį į jų ypatingą tinkamumą užduotims, kurioms reikia decentralizacijos ir tvirto atsparumo gedimams.

Nuo teorijos iki praktikos: tinkamo įgyvendinimo pasirinkimas

Pažiūrėkime, kaip mūsų sprendimų sistema paverčiama įgyvendinimu realiame pasaulyje. Štai supaprastintas palyginimas, kaip ta pati užduotis – klientų atsiliepimų analizė – atrodytų abiem būdais:

Vieno agento metodas: švarus ir efektyvus

 from langchain import LLMChain, PromptTemplate from langchain.llms import OpenAI # Single agent handles everything in one inference llm = OpenAI(model_name="gpt-4") prompt = PromptTemplate( input_variables=["feedback"], template=""" Analyze the following customer feedback: {feedback} 1. Categorize it (product, support, pricing) 2. Determine sentiment (positive, negative, neutral) 3. Extract key issues or suggestions 4. Provide recommended actions Format your response as JSON. """ ) chain = LLMChain(llm=llm, prompt=prompt) analysis = chain.run("I love your product, but customer service is too slow.")

Kelių agentų metodas: sudėtingas koordinavimas

Priešingai, kelių agentų sistemai, skirtai tai pačiai užduočiai, reikėtų apibrėžti specializuotus agentus, skirtus skirstyti į kategorijas, nuotaikų analizę ir išgauti problemas, taip pat koordinatoriaus, kuris juos visus valdytų – dėl to kodas ir sudėtingumas būtų 4 kartus didesnis.

Tai puikiai iliustruoja mūsų sprendimų medį: atliekant užduotis be aiškios skaidymo naudos ar specialių žinių reikalavimų, vieno agento metodas laimi dėl paprastumo, priežiūros ir dažnai našumo.

Kryžminis taškas: kada kelių agentų veikla to verta?

Yra teorinis perėjimo taškas, kai kelių agentų sistemos tampa ekonomiškesnės nei nuolatinis vieno agento tobulinimas:

Ši vizualizacija iliustruoja svarbų principą: kelių agentų sistemos turi didesnę bazinę kainą, tačiau jos gali būti didesnės dėl sudėtingumo . Dėl paprastesnių užduočių orkestravimo išlaidos tampa neveiksmingos, tačiau didėjant problemų sudėtingumui, specializacijos nauda ilgainiui gali viršyti šias išlaidas.

Remiantis šioje srityje pastebėtais modeliais, daugelis AI projektų gali gauti daugiau naudos iš vieno agento sistemų, nei paprastai manoma. Net kai užduotis galima išskaidyti, koordinavimo išlaidos gali paneigti teorinius kelių agentų sistemų pranašumus.

Lyginamoji analizė: vienas prieš kelis agentus

Nors konkreti metrika skirsis priklausomai nuo naudojimo atvejų, bendrieji metodų kompromisai paprastai apima:

Šie kompromisai turėtų būti kruopščiai įvertinti atsižvelgiant į jūsų konkrečius reikalavimus.

Mokymasis iš realaus pasaulio sistemų: sudėtingų atvejų analizė

Kaip šie principai veikia praktiškai? Panagrinėkime tris sritis, kuriose inžinieriai turėjo rasti tašką tarp paprastumo ir kelių agentų sudėtingumo:

Autonominės transporto priemonės: kai saugumas reikalauja paprastumo

Kyla pagunda įsivaizduoti savaeigių automobilių parkus, kurie derasi tarpusavyje sankryžose, puikiai derindami susijungimus ir sankryžas. Tyrėjai pasiūlė kelių agentų koordinavimą, kad pašalintų eismo signalus ir sumažintų spūstis.

Realybės patikrinimas: autonominių transporto priemonių pramonė labai rėmėsi paprastesniais, tvirtesniais metodais. Net Tesla, turėdama didžiulį duomenų pranašumą, užtikrina, kad kiekvienos transporto priemonės sprendimų priėmimas būtų savarankiškas. Kodėl? Kadangi siunčiant svarbius sprendimus per susisiekiančių transporto priemonių tinklą, atsiranda delsos ir gedimo taškai, kuriuose svarbios mikrosekundės. Paprasta taisyklė – „nieko nepataikyk“ – pažeidžia elegantišką agento koordinaciją, kai gresia gyvybė.

Kol neturėsime itin patikimų transporto priemonių tinklų, kiekvieno automobilio dirbtinio intelekto laikymas daugiausia savarankiškas yra saugesnė ir praktiškesnė architektūra. Pamoka: sudėtingos bendradarbiavimo strategijos nieko nereiškia, jei jos negali atitikti saugos reikalavimų realiuoju laiku.

Žaidimo AI („StarCraft II“): kai sudėtingumo neišvengiama

Priešingai, kai kurios aplinkos reikalauja kelių agentų sudėtingumo. DeepMind AlphaStar, pasiekęs Grandmaster lygį StarCraft II, rodo tai. „StarCraft“ yra iš dalies stebimas kelių blokų realaus laiko strateginis žaidimas – iš esmės blogiausias paprasto AI scenarijus.

AlphaStar sprendimas buvo apmokyti AI agentų lygą, konkuruojančią ir bendradarbiaujančią tarpusavyje. Inžinerinės pastangos buvo didžiulės – mokymo lyga 14 dienų veikė specialia aparatūra, todėl kiekvienas agentas turėjo 200 metų žaidimo patirtį.

Toks požiūris buvo pateisinamas nepaprastu aplinkos sudėtingumu: joks vienas atskirai apmokytas agentas negalėjo valdyti žaidimo.

Tačiau net „AlphaStar“ žaidimo metu valdo visus vienetus kaip vieną koordinuotą vienetą. Išvada: tik „StarCraft“ masto iššūkiai nusipelno tokių sudėtingų sprendimų , ir net tada dizaineriai sumažino sudėtingumą diegimo metu.

Sandėlio robotika: balanso radimas

Apsvarstykite „Amazon“ automatizuotus sandėlius, kuriuose daugiau nei 350 000 mobiliųjų robotų perkelia atsargas. Į tai galima žiūrėti kaip į būrį agentų, kurie kiekvienas priima sprendimus.

Realybės patikrinimas: „Amazon“ savo „Kiva“ robotams koordinuoti naudoja centralizuotas transporto parko valdymo sistemas. Centrinės „smegenys“ apskaičiuoja optimalius maršrutus ir užduotis, kurias lengviau įgyvendinti ir patikrinti, nei robotams derėtis tarpusavyje. Patys robotai yra gana „kvaila“ aparatinė įranga, kuri vykdo instrukcijas, o ne nepriklausomi sprendimus priimantys asmenys.

Yra išimčių – kai kurios sistemos paskirsto sprendimų priėmimą siekdamos mastelio, tačiau net ir tada jos dažnai padalija problemą (pvz., po vieną agentą vienoje sandėlio zonoje), kad būtų sumažinta sąveika. Pagrindinis principas yra patikimumas ir nuspėjamumas: jei paprastas algoritmas gali koordinuoti šimtus robotų, nėra jokios priežasties kiekvienam robotui suteikti brangios nepriklausomos samprotavimo galimybės.

Šiuose pavyzdžiuose matome modelį: išmanieji architektai sprendimo sudėtingumą derina su problemos sudėtingumu. Jie prideda agentus tik tada, kai užduoties poreikiai pranoksta paprastesnius metodus. Ir atvirkščiai, kai tik įmanoma, jie agresyviai supaprastina.

Kai nebūti protingam yra protingiausias žingsnis

Išmaniųjų sistemų kūrimo menas dažnai slypi žinant , kada nereikia per daug projektuoti . Srityje, kuri švenčia pažangiausius metodus ir sudėtingas architektūras, paradoksalu išmintinga būti konservatyviam sudėtingumui.

Įsivaizduokite perspektyvų AI projektą, kuris virsta skaitmenine Rube Goldberg mašina. Startuolis ketina sukurti išmanųjį sandėlio rinktuvą, bet baigia sukurti architektūrą, kurioje yra keliolika savarankiškų agentų: vienas naršyti, vienas tvarkyti atsargas, kitas koordinuoti užduotis, o metaagentas juos visus suburti.

Kiekvienas agentas veikia teoriškai, tačiau praktiškai sistema yra lėta, nenuspėjama ir jos neįmanoma derinti. Paprastas taisyklėmis pagrįstas scenarijus galėjo atlikti darbą patikimiau.

Tai nėra izoliuotas pasakojimas – tai įspėjamasis scenarijus, atsirandantis kaskart, kai leidžiame susižavėjimui sudėtingomis AI architektūromis aplenkti tikrus poreikius. Siekdami tobulumo, kartais pristatome kelis agentus, sudėtingus koordinavimo sluoksnius ir į medį panašius sprendimų srautus ten, kur jų nereikėjo.

Tyčinio paprastumo vertė

Įdiegti kelių agentų sprendimų medžiai, sudėtingi koordinavimo protokolai ar gilios hierarchijos gali būti intelektualiai patenkinti, tačiau tai turi būti aiškus tikslas. Jei galite išspręsti problemą naudodami vieno agento sprendimą, euristiką ar paprastą modelį, tai nereiškia, kad tai yra „nutildymas“ – tai inžinerijos branda.

Kaip man kartą pasakė mano mentorius:

„Sumaniausias DI sprendimas dažnai yra žinoti, kada nebūti pernelyg protingam“.

Prieš pridėdami tą papildomą agentą arba sukurdami naują koordinavimo sluoksnį, paklauskite savęs: ar aš išsprendžiu problemą, ar pridedu naujų? Taikydami mūsų aprašytą sprendimų sistemą ir mokydamiesi iš realių sėkmių (ir nesėkmių), galite išvengti kelių agentų sirenos dainos, kai ji yra nepagrįsta.

Tegul viskas yra kuo paprasčiau, bet ne paprasčiau. Dėl šios pusiausvyros – paprastumo ir sudėtingumo – AI projektas iš pernelyg sudėtingo mokslinio eksperimento paverčiamas tvirtu, prižiūrimu sprendimu, kuris iš tikrųjų teikia verslo vertę.

Galutinio sprendimo sistema

Norėdami visa tai sujungti, pateikiau paprastą psichikos kontrolinį sąrašą, kurį naudoju kiekviename AI agento projekte:

1. Ar vienas gerai suplanuotas agentas su tinkamais įrankiais gali susidoroti su šia užduotimi?
2. Ar specializuotų agentų nauda bus didesnė už koordinavimo išlaidas?
3. Ar užduotis iš esmės paskirstyta arba decentralizuota be galimo centrinio valdymo?
4. Ar problema iš tikrųjų reikalauja kelių sąveikaujančių agentų elgesio?
5. Ar aš išnaudojau paprastesnius metodus prieš imdamasi kelių agentų sudėtingumo?

Jei į kurį nors iš pirmųjų keturių klausimų atsakote „ne“, o į paskutinį – „ne“, apsvarstykite galimybę supaprastinti savo požiūrį. Švari architektūra ir paprastumas nėra tik estetinis pasirinkimas; dirbtinio intelekto atveju jie dažnai skiriasi nuo projekto, kuris veikia, ir to, kuris žlunga nuo savo svorio.

Geriausia tinkamo dirbtinio intelekto sprendimo dydžio nustatymo praktika

Jei nustatėte savo problemai tinkamą architektūrą, pateikiame geriausios įgyvendinimo praktikos pavyzdžius:

Vieno agento sprendimams

1. Naudokite įrankio iškvietimą, o ne kelis agentus, o ne sukurkite agentus, aprūpinkite vieną agentą specializuotais įrankiais:

   
   

   

   
   

   Šis metodas suteikia specializacijos pranašumus be papildomų koordinavimo išlaidų.

2. Patobulinkite konteksto valdymą Sutelkite dėmesį į tinkamo konteksto suteikimą savo agentui:

   • Įdiekite paieškos papildytą konkretaus domeno žinių generavimą
   • Skirtingoms saugojimo strategijoms naudokite atminties hierarchijas
   • Sukurkite aiškius raginimo šablonus skirtingiems veikimo režimams

3. Žinokite, kada tobulėti Stebėkite šiuos požymius, kad jūsų vieno agento metodas gali pasiekti savo ribas:

   • Užduočių atlikimo laikas tampa nepriimtinai ilgas
   • Klaidų dažnis didėja tam tikruose domenuose
   • Nuolat pasiekiami kontekstinio lango apribojimai

Skirta kelių agentų sistemoms

Jei jūsų sprendimų medis rodo, kad jums tikrai reikia kelių agentų:

1. Pasirinkite tinkamą architektūros modelį
   • Hierarchinė : aiški užduočių hierarchija su koordinatoriumi
   • Peer tinklas : savarankiškiems agentams, kuriems reikia prisitaikančio bendradarbiavimo
   • Surinkimo linija : skirta nuoseklioms darbo eigoms su skirtingais etapais
2. Įdiekite tvirtą komunikaciją
   • Apibrėžkite struktūrizuotas pranešimų schemas visiems tarpagentiniams ryšiams
   • Į savo ryšio protokolus įtraukite klaidų apdorojimą ir atkūrimą
   • Palaikykite išsamų visų agentų sąveikų registravimą, kad būtų galima derinti
3. Pradėkite nuo mažo ir laipsniško masto Pradėkite nuo minimalaus reikalingo agentų skaičiaus, tada:
   • Įdėję kiekvieną naują agentą, atidžiai išbandykite
   • Išmatuokite kiekvieno papildymo poveikį našumui
   • Venkite pridėti agentų, kurių indėlio negalima aiškiai įvertinti
4. Žmogaus priežiūros palaikymas Informuokite žmones, ypač priimant svarbius sprendimus. Tai suteikia apsaugos tinklą, kol jūsų sistema vystosi, ir padeda nustatyti, kada sistema tampa per sudėtinga veiksmingai priežiūrai.

Abiem atvejais atminkite, kad optimizavimas yra nuolatinis procesas. Reguliariai vertinkite savo architektūrą pagal kintančius reikalavimus ir būkite pasirengę supaprastinti, kai reikia.

Išvada: protingo paprastumo menas

„Padarykite viską kuo paprasčiau, bet ne paprasčiau“. Einšteino posakis puikiai tinka dirbtinio intelekto architektūrai.

Kelių agentų sistemų patrauklumas yra neabejotinas. Specializuotų agentų, bendradarbiaujančių sprendžiant sudėtingas problemas, perspektyva yra įdomi dirbtinio intelekto riba. Tačiau šis sudėtingumas susijęs su didelėmis sąnaudomis, susijusiomis su kūrimo ištekliais, skaičiavimo reikalavimais, paaiškinamumu ir patikimumu.

Elegantiškiausias sprendimas retai būna pats sudėtingiausias. Tai tas, kuris pasiekia savo tikslus su atitinkamu rafinuotumo lygiu. Taikydami šiame straipsnyje aprašytą kelių agentų sprendimų medžio sistemą, galite priimti labiau pagrįstus sprendimus, kada priimti sudėtingumą ir kada siekti paprastumo.

Jei abejojate, vadovaukitės šiuo metodu:

1. Pradėkite nuo vieno pajėgaus agento su gerai suprojektuotais įrankiais
2. Įvertinkite našumą pagal aiškius tikslus
3. Stebėkite konkrečius apribojimus ir kliūtis
4. Keisti mastelį iki kelių agentų tik tada, kai sprendimų medis aiškiai rodo, kad tai pagrįsta

Atsispirdami impulsui per anksti optimizuoti architektūrinę eleganciją, pateiksite tvirtesnius sprendimus, kurie iš tikrųjų išspręs realias verslo problemas. Taigi, kuriuos AI projektus šiuo metu pernelyg sudėtingate? Jūsų vartotojai (ir jūsų infrastruktūros sąskaita) padėkos už sąžiningumą.

Nuorodos

[1] Varia, S. (2023). „Dėl kelių agentų LLM sistemų koordinavimo iššūkių“. arXiv:2312.03034.

[2] Antropinis. (2023). „Konstitucinis AI: nekenksmingumas iš AI atsiliepimų“. arXiv: 2212.08073.

[3] DeepMind. (2023). "AlphaStar: Įvaldykite realaus laiko strateginį žaidimą StarCraft II". DeepMind tinklaraštis.

[4] Pasaulio ekonomikos forumas. (2024). „Kaip užtikrinti šiuolaikinių AI agentų ir kelių agentų sistemų saugumą“. WEF techninis trumpas.

[5] Xu, D. ir kt. (2023). „MACS: kelių agentų bendradarbiavimo sistemos atsakant į klausimus“. arXiv: 2311.08516.

Apie autorių: Esu Jay Thakur, „Microsoft“ vyresnysis programinės įrangos inžinierius, tyrinėjantis AI agentų transformacinį potencialą. Derindamas patirties kūrimo ir mastelio AI sprendimus „Microsoft“, „Amazon“ ir „Accenture Labs“ su verslo švietimu iš Stanfordo GSB, atnešu unikalią perspektyvą technologijų ir verslo sankirtai. Mano misija yra demokratizuoti dirbtinį intelektą naudojant prieinamus, paveikius produktus, kurie sprendžia realaus pasaulio iššūkius. Kaip pranešėjas, pedagogas ir kylantis minčių lyderis dirbtinio intelekto ekosistemoje, dalinuosi įžvalgomis apie pažangias technologijas, įskaitant AI agentus, GenAI, kvantinį skaičiavimą, humanoidinę robotiką ir atsakingą AI kūrimą. Susisiekite su manimi LinkedIn ir sek paskui mane X .