Dit artikel is mede geschreven door Tim Shea van Super Vision Studio.
Veruit de meest overtuigende use case voor Generative AI is niet het vervangen van menselijke werknemers of het automatiseren van strikt gedefinieerde workflows, maar het enorm vergroten van de dimensies die mensen kunnen verkennen bij het nemen van een beslissing. Op deze manier zijn LLM's en diffusiemodellen ongelooflijke brainstormpartners. We kunnen LLM's instrueren over het kennisdomein dat we willen dat het vertegenwoordigt en vervolgens precies definiëren hoe we de output willen zien. We kunnen bijvoorbeeld vragen:
"Ik wil een database maken van de luxe retail holding companies zoals VF Corporation, New Guard Group, Only The Brave en LVMH, evenals de merken die ze onlangs hebben overgenomen. Kunt u alstublieft een Excel-spreadsheet genereren met de volgende kolommen: Holding Company, Brand Name, Acquisition Amount, Acquisition Date, Rationale for Acquiring"
Dergelijke zoekopdrachten worden nu als vanzelfsprekend beschouwd, een enorme verbetering ten opzichte van traditionele zoekmachines, die in het tijdperk van generatieve AI ouderwets lijken.
Sommige besluitvormingsprocessen kunnen echter buitengewoon complex zijn. Soms willen we graag besluitvorming kunnen modelleren die kan plaatsvinden tussen meerdere gespecialiseerde persona's (zoals een CEO, CMO of CTO) of gespecialiseerde modules (zoals een API-connector, K1-parser of SWOT-analysator). In de echte wereld zouden we de resultaten van dat Excel-spreadsheet nemen en het door een gauntlet van menselijke experts laten lopen. Strategen, investeerders en domeinexperts zouden meedoen. We zouden 'wat als'-scenario's over de overnames opstellen, we zouden de winst- en verliesrekeningen onderzoeken en we zouden plannen bedenken voor potentiële toekomstige overnames. Maar dankzij moderne LLM's kunnen we nu geïndividualiseerde AI-agenten creëren die elk van deze gedragingen kunnen modelleren en kunnen simuleren dat we een kamer vol experts hebben die onze beslissingen informeren.
Het Super Vision Multi-Agent besturingssysteem
Dus toen we Super Vision Studio oprichtten - een AI-versnelde venture studio gericht op het creëren van "Future Brands" - schakelden we meteen over op Multi-Agent AI-systemen om de eigen besluitvormingsprocessen te modelleren die we ons "Super Vision OS" noemen. Daarmee kunnen we enorme bedrijfsdatabases doorzoeken op zwakke P&L-modellen waar AI buitensporige verbeteringen kan leveren. We kunnen de agenten in ons OS belasten met hypothesen over Retail, CPG, Print, Entertainment of e-commerce. De agenten kunnen cijfers crunchen, pontificeren en met elkaar debatteren. De agenten kunnen zelfs deliverables produceren die andere agenten bekritiseren en waar ze over itereren.
Multi-Agent Systemen hebben een aantal voordelen ten opzichte van eenvoudige LLM chat interfaces: Elke agent in het systeem kan worden getraind met een enorme hoeveelheid gespecialiseerde kennis
- De agenten kunnen zo worden ontworpen dat er specifieke vormen van heen-en-weer en controles en evenwichten plaatsvinden.
- De agenten kunnen aan elkaar worden gekoppeld met deterministische modules, zoals een Python-script, die gespecialiseerde taken uitvoeren.
- Het agentsysteem kan een vrijwel oneindige rekenruimte krijgen om te itereren en met opties te komen.
- Het agentsysteem kan ons een duizelingwekkend scala aan opties bieden, die allemaal uiterst gedetailleerd zijn uitgewerkt.
Het ecosysteem van het multi-agentsysteem
We hebben ook een groot scala aan kant-en-klare opties voor het opzetten van aangepaste Multi-Agent Systems zoals AutoGen, CrewAI en LangChain. We hebben voor AutoGen gekozen omdat het gratis is, er heel veel introductievideo's zijn en ze voorbeeldcode bieden voor meerdere verschillende Multi-Agent architecturen die geconfigureerd en gestapeld kunnen worden. AutoGen catalogiseert een uitgebreide lijst met voorbeelden van wat het "Conversation Patterns" noemt (zoals two-agent chat, sequential chat, group chat en nested chat).
Deze patronen, of architecturen, zijn een belangrijk onderdeel van het ontwerpproces van het agentsysteem. Het is vergelijkbaar met hoe je een team van menselijke experts zou samenstellen en de regels van betrokkenheid tussen hen vooraf zou definiëren. Verschillende ontwerpen kunnen enorm verschillende uitkomsten opleveren.
Het eenvoudigste patroon dat AutoGen biedt is een Two-Agent Chat, waarbij we de persona van elke agent definiëren, waarbij de ene agent de andere agent gewoon de originele promptvraag stelt en waarbij de agenten een bepaald aantal keren heen en weer gaan over een probleem. Het is eenvoudig in te stellen en we kunnen elke interactie binnen hun conversatie letterlijk lezen. De voorbeeldcode staat hieronder:
import os from autogen import ConversableAgent agent__venture_studio_founder = ConversableAgent ( name="Agent__Venture_Studio_Founder", system_message="You are the founder owner of a venture studio with expertise in funding and building technology and retail brands.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, ) agent__business_analyst = ConversableAgent ( name="Agent__Business_Analyst", system_message="You are an expert business analyst with deep expertise in finance, strategy, marketing, and operations.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, ) chat_result = agent__venture_studio_founder.initiate_chat ( agent__business_analyst, message="""I want to identify companies that traditionally have weak P&L's such as thin profit margins, fickle customers, or are high susceptibility to market swings. Our thesis is we want to focus on industries such as Retail, CPG, Print, Entertainment, and e-Commerce so we only want to look at types of companies in those specific industries. We want to choose company types where Generative AI can produce outsized efficiencies to the P&L's. Don't want to consider company types where Generative AI cannot help. """, summary_method="reflection_with_llm", max_turns=2, )
De output is behoorlijk nuttig en het geeft ons mensen wat ideeën over wat we vervolgens moeten doen. Maar het is niet significant waardevoller dan ChatGPT gewoon dezelfde vraag stellen in één prompt.
Een iets geavanceerder patroon is een Sequential Chat. In dit geval stellen we meerdere Two-Agent chats in, waarbij de output van elke Two-Agent chat wordt doorgegeven aan meerdere downstream Two-Agent chats. Denk aan dit ontwerp als een CEO die een taak overdraagt aan een werknemer op een lager niveau, die beslissingen neemt en de beslissingen vervolgens door meerdere goedkeuringsniveaus laat gaan. Voorbeeldcode voor dit ontwerp staat hieronder.
# Define the Orchestrator agent__orchestrator = ConversableAgent( name="Agent__Orchestrator", system_message="You coordinate the analysis of an industry by passing tasks to other agents and summarizing their feedback.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the Brainstorm Agent agent__brainstorm_analyst = ConversableAgent( name="Agent__Brainstorm_Analyst", system_message="You analyze the given industry and generate a list of company types with weak P&L models where AI can deliver substantial improvements. Return this list.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CFO agent__cfo = ConversableAgent( name="Agent__CFO", system_message="You criticize the provided list of company types from a financial POV, identifying weaknesses in margins, capex, opex, inventory, and liquidity. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CTO agent__cto = ConversableAgent( name="Agent__CTO", system_message="You criticize the provided list of company types from a technology POV, identifying risks in tech implementation, cost, complexity, and feasibility. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", ) # Define the CMO agent__cmo = ConversableAgent( name="Agent__CMO", system_message="You criticize the provided list of company types from a marketing POV, identifying risks in go-to-market, media costs, and customer acquisition and retention. Remove companies that are too risky.", llm_config={"config_list": [{"model": "gpt-4", "api_key": os.environ["OPENAI_API_KEY"]}]}, human_input_mode="NEVER", )
Dit patroon levert aanzienlijk meer gerichte en gedetailleerde feedback op nu het is gecontroleerd door een groot aantal experts. En het benadrukt het belang van het ontwerpen van het juiste agentsysteem voor de juiste taak.
AutoGen biedt voorbeelden voor veel verschillende ontwerppatronen, waaronder Group Chats en Nested Chats, maar het veld is ongelooflijk pril en de potentiële ontwerpen en architecturen zijn grenzeloos. We hebben naar voorstellen en whitepapers gekeken voor:\
- Magentic-One: Een multi-agentsysteem van Microsoft waarbij agenten, zoals een 'websurfer' of 'coder', samenwerken onder leiding van een centrale 'orkestrator' om complexe taken op te lossen.
- Human Personas: een project van Stanford waarbij agenten werden getraind om zich te gedragen als echte proefpersonen van kwalitatieve interviews. Vervolgens werd hen gevraagd om gesprekken te voeren en beslissingen te nemen over uiteenlopende onderwerpen.
- Project Sid: Een grootschalige simulatie van agent-‘samenlevingen’ waarin agenten gelijktijdig deelnamen aan banen, handel, besluitvorming en ontwikkelde sociale systemen, waarbij mensachtige gemeenschappen werden gesimuleerd.
Het is een fascinerend vakgebied en we experimenteren actief met nieuwe frameworks en ontwerppatronen om raketbrandstof te leveren aan onze besluitvorming en operationele mogelijkheden bij Super Vision Studios. Als dit een interessant vakgebied voor u is, neem dan contact met ons op. We komen graag in contact met andere slimme beoefenaars in het vakgebied.
Over Super Vision Studio
Super Vision is een door AI aangestuurde venture studio die zich richt op het bouwen van 'toekomstige merken'.
Voor meer informatie, bezoek
