Мультиагентные системы генеративного искусственного интеллекта (GenAI) могут значительно улучшить и ускорить процесс разработки идей, проектирования и тестирования новых продуктов, пишет на портале The New Stack Дэн Креймер, соучредитель и генеральный директор консалтинговой компании IA Collaborative.

Сегодня многие разработчики и продуктовые команды используют агенты GenAI для создания ПО или приложений, но настоящие инновации происходят в мультиагентных системах. Как один музыкант способен воспроизвести звук только в одном измерении, а оркестр может создать богатую, сложную симфонию, так и мультиагентные системы выходят за рамки ролей, ориентированных на выполнение отдельных задач, и по-настоящему повышают эффективность команд разработчиков ПО и стратегий.

Разработчики в таких разных компаниях, как Mayo Clinic, Vodafone и ADT, например, используют конструктор агентов GenAI от Google для создания приложений в мультиагентных средах. С помощью мультиагентных систем разработчики могут создавать многофункциональные, высокоинтуитивные продукты, которые порадуют пользователей, причем недорого и в рекордно короткие сроки.

Мультиагентные системы GenAI — это совокупность ИИ-агентов, работающих вместе. В то время как один агент выполняет одну задачу, например, является «вторым пилотом» для кодирования, мультиагентная система объединяет несколько задач разработки — создание идеи продукта, дизайн, тестирование, сегментация клиентов и т. д., причем агенты учатся друг у друга, чтобы оптимизировать творческий подход и производительность. Успешные мультиагентные системы действуют как цифровой двойник команды разработчиков, постоянно генерируя множество новых концепций и сценариев будущего. Мультиагентные системы не заменяют команды разработчиков и продуктовые команды, а, наоборот, дополняют их.

Существует множество способов создания мультиагентных систем, но популярны три следующих:

  • Централизованный, с одним агентом в центре, который собирает и ассимилирует все остальные выходы.
  • Распределенный, когда нет центрального контроллера, а агенты координируют свои действия непосредственно друг с другом, образуя «рой агентов».
  • Иерархический, когда агенты организованы в команды или иерархические уровни.

Для команд разработчиков продуктов лучше всего подходят централизованная или иерархическая архитектура, поскольку они обеспечивают больший контроль над процессом. Рассматривайте каждого агента GenAI как человека, который был бы экспертом в одном деле в команде людей. Вы можете создать отдельного агента ИИ для каждой части процесса разработки продукта: мозговой штурм, сегментация клиентов, технические спецификации, функции, возможности и т. д. Центральный агент, находящийся в центре колеса или на вершине иерархии, учитывает все результаты работы других агентов, чтобы «выдать» отличные идеи продукта.

Соберите данные в векторную базу

Теперь, когда вы выбрали структуру для своей мультиагентной системы и создали несколько агентов для каждой части процесса создания продукта, вам нужно запустить агентов в работу. Во-первых, предоставьте отдельным агентам доступ к внешним базам данных, содержащим необходимые знания. Для этого вам необходимо запросить множество собственных данных вашей компании: сегменты клиентов, информация о продуктах, исследования и т. д. Вы также можете привлечь соответствующие внешние источники данных, которые, по вашему мнению, должны использоваться вашими агентами.

Например, это могут быть тенденции мирового рынка, отчеты о ценах или публичные наборы данных, а также анализ Reddit и других форумов для получения более качественных данных о поведении и предпочтениях потребителей. Чтобы ваши агенты получили доступ ко всем этим данным из одного места, вам понадобится векторная база данных, к которой они смогут обращаться. Pinecone, например, — популярная благодаря своей гибкости и качеству документации векторная база данных, но на рынке существует множество вариантов.

Напишите «умные» подсказки для каждого агента

Следующий шаг — создание уникальных подсказок для каждого агента. Это может потребовать некоторой практики и итераций, но лучший способ начать — определиться с системой мышления и типом личности, которой вы хотите, чтобы следовал каждый агент. Например, вам может понадобиться агент-исследователь, который является экспертом по контекстуальным исследованиям пользователей и ищет в вашей векторной базе данных цитаты пользователей, которые помогут ему понять определенный тип пользователей. Как только у вас появится персона для агента, создайте структурированные подсказки. Агент должен иметь конкретные инструкции о том, как должен выглядеть результат, вплоть до количества примеров, которые он возвращает. Это поможет вам получить больше пользы от агента и позволит ему эффективнее работать с другими агентами в системе.

Что должны говорить ваши подсказки и насколько глубокими они должны быть? Эта часть уравнения бесконечно гибкая, поскольку существует бесконечное множество возможностей структурировать подсказки, чтобы сформировать желаемые результаты. Опирайтесь на свои знания в области разработки продуктов, бизнес-схем и дизайна, ориентированного на пользователя, чтобы создать наиболее динамичные и конкретные подсказки.

Заставьте агентов работать вместе

Чтобы обеспечить слаженную работу агентов, необходимо создать соответствующий инструмент. Три популярных инструмента, используемых для объединения нескольких агентов, — это CrewAI, LangChain и Microsoft Autogen. У каждого из них есть свои преимущества, поэтому мы рекомендуем рассмотреть каждый из них и найти решение, подходящее именно для вашего проекта.

После настройки подсказок ваша мультиагентная система должна начать выдавать проекты и сценарии продуктов. Вы можете воплотить эти сценарии в жизнь в виде эскизов веб-сайтов, полных спецификаций продуктов и цифровых прототипов, подключив мультиагентную систему к другим инструментам GenAI, таким как Dall-E — для создания изображений и анимации прототипов, а также Relume.io, который генерирует экспортируемые эскизы Figma за считанные секунды.

Протестируйте прототипы

После того как ваша мультиагентная система создала несколько полноценных прототипов продукта, настало время проверить, какие итерации с наибольшей вероятностью будут успешными. Хотя вы можете провести традиционное A/B-тестирование и собрать отзывы реальных людей, вы также можете использовать другого агента для создания ИИ-персон, или «синтетических пользователей», для тестирования различных продуктов. Синтетические пользователи могут быть очень реалистичными; вы можете создать ИИ-персоны, обладающие всеми чертами ваших целевых пользователей, используя CRM, данные сегментации и отраслевые отчеты, а затем попросить эти персоны, которые также являются ИИ-агентами, дать свои отзывы, приказав им «думать и действовать, как ваша персона». Таким образом, мультиагентная система может стать мощным дополнением к тестированию пользовательской валидности.

Мультиагентные системы GenAI могут значительно улучшить и ускорить процесс разработки идей, проектирования и тестирования новых продуктов. Объединяя опыт различных ИИ-агентов, ориентированных на такие области, как исследование клиентов, технические спецификации, создание прототипов и тестирование, мультиагентные системы могут быстро генерировать комплексные концепции продуктов, адаптированные к потребностям конкретных сегментов потребителей. Имея наготове эти мощные системы, вы сможете повысить способность вашей команды быстро двигаться и достигать инновационных результатов.