Para pemimpin LinkedIn dapat belajar dengan agen kecerdasan buatan

Agen kecerdasan buatan adalah salah satu topik terpenting dalam teknologi saat ini – tetapi berapa banyak perusahaan yang sudah Anda terbitkan dan digunakan secara aktif?

LinkedIn Dia berkata kepadanya dengan Asisten Asisten Asisten. Sistem rekomendasi umum dan penelitian di mana pekerjaan kecerdasan buatan melampaui, sumber agen AI di perusahaan dan perekrutan kandidat melalui antarmuka bahasa alami yang sederhana.

“Ini bukan produk eksperimental,” kata Deepak Agarawal, kepala petugas intelijen buatan di LinkedIn. VB mengonversi. “Ini hidup. Ini menghemat banyak waktu bagi karyawan sehingga mereka dapat menghabiskan waktu untuk melakukan apa yang benar -benar ingin mereka lakukan, yang mensponsori kandidat dan menggunakan talenta terbaik untuk posisi ini.”

Ketergantungan pada sistem multi -agen

LinkedIn mengambil pendekatan multi -agen, menggunakan apa yang digambarkan Agarwal sebagai sekelompok agen yang bekerja sama untuk menyelesaikan tugas. Agen pengawas mengatur semua tugas lain di antara agen lain, termasuk agen input dan sumber “hanya baik dalam satu pekerjaan.”

Semua komunikasi terjadi melalui agen pengawas, yang menerima input dari pengguna manusia mengenai kualifikasi peran dan detail lainnya. Agen ini kemudian memberikan konteks kepada agen sumber daya, yang menggunakan cerobong asap mencari perekrut dan kandidat, serta deskripsi tentang alasan mereka cocok untuk pekerjaan itu. Kemudian informasi ini dikembalikan ke agen pengawas, yang mulai berinteraksi dengan pengguna manusia.

“Lalu kamu bisa bekerja sama dengannya, kan?” Kata Agarawal. “Anda dapat memodifikasinya. Anda tidak lagi berbicara dengan sistem dasar dalam kata kunci. Anda dapat berbicara dengan platform dalam bahasa alami, dan Anda akan menjawab Anda, Anda akan melakukan percakapan dengan Anda.”

Agen kemudian dapat meningkatkan kualifikasi dan mulai mendapatkan sumber kandidat, dan bekerja untuk Direktur Ketenagakerjaan “secara bersamaan dan tidak ditentukan.” “Dia tahu kapan tugas harus didelegasikan ke agen mana pun, dan bagaimana mengumpulkan komentar dan menawarkan kepada pengguna,” kata Agarawal.

Dia menekankan pentingnya agen “manusia pertama” yang selalu mengendalikan pengguna. Tujuannya adalah untuk “memperdalam” pengalaman secara mendalam dengan kecerdasan buatan yang beradaptasi dengan preferensi, belajar dari perilaku dan terus berkembang dan meningkatkan setiap kali pengguna berinteraksi dengan mereka.

“Ini tentang membantu Anda menyelesaikan bisnis Anda dengan cara yang lebih baik dan lebih efisien,” kata Aguardus.

Bagaimana LinkedIn adalah sistem multi -agennya

Sistem multi -agen membutuhkan pendekatan pelatihan yang akurat. Tejas Dharamsi, Tejas Dharamsi, LinkedIn, Ringkasan Senior LinkedIn, LinkedIn, menjelaskan bahwa tim LinkedIn menghabiskan banyak waktu untuk akurat

Dia berkata: “Kami menanggung model terintegrasi lapangan dan membuatnya lebih kecil, lebih cerdas dan lebih baik untuk misi kami.”

Sementara agen pengawas adalah agen khusus yang membutuhkan kecerdasan tinggi dan kemampuan untuk beradaptasi. Agen LinkedIn dapat menggunakan model bahasa besar perusahaan (LLM). Ini juga termasuk pembelajaran penguatan dan komentar pengguna yang berkelanjutan.

Selain itu, pekerja memiliki “memori eksperimental”, seperti yang dijelaskan Agarwal, sehingga ia dapat menyimpan informasi dari dialog terakhir. Ini dapat mempertahankan memori jangka panjang tentang preferensi pengguna, dan diskusi yang mungkin penting untuk diingat nanti dalam proses ini.

Dia mengatakan: “Memori eksperimental, selain konteks global dan panduan cerdas, adalah jantung dari agen penyelia, dan terus meningkatkan dan meningkatkan melalui pembelajaran penguatan.”

Pengulangan selama kursus pengembangan agen

Daramsi menekankan bahwa dengan faktor kecerdasan buatan, jintan harus pada suatu titik. Sebelum menyebar dalam produksi, model LinkedIn dibangun untuk memahami jumlah kueri dalam yang kedua (QPS) dan jumlah unit pemrosesan grafis yang diperlukan untuk mengoperasikannya. Untuk menentukan faktor ini dan lainnya, perusahaan menjalankan banyak penalaran dan mengevaluasi, bersama dengan tim merah merah dan penilaian risiko.

Dia berkata: “Kami ingin model -model ini lebih cepat, dan bahwa agen Firaun melakukan tugas mereka dengan lebih baik, dan mereka dengan cepat melakukannya.”

Setelah diterbitkan, dari perspektif antarmuka pengguna, Dharamsi menggambarkan platform AI AI dari LinkedIn sebagai “blok Lego yang dapat dihubungkan dan dioperasikan oleh pengembang kecerdasan buatan.” Abstrak dirancang sehingga pengguna dapat memilih dan memilih berdasarkan produk mereka dan apa yang ingin mereka buat.

“Fokusnya di sini adalah bagaimana kami menyatukan pengembangan agen di LinkedIn, sehingga Anda dapat membangun hipotesis yang berbeda ini dengan cara yang berulang.” Sebaliknya insinyur dapat fokus pada data, peningkatan, kehilangan dan hadiah, bukan resep utama atau infrastruktur.

Daramsi mengatakan bahwa LinkedIn memberi para insinyur algoritma yang berbeda yang bergantung pada RL, kontrol yang tepat atas pengawasan, pemangkasan, jumlah, dan distilasi untuk digunakan di luar kotak tanpa khawatir tentang peningkatan GPU atau pengadukan, sehingga mereka dapat memulai algoritma dan pelatihan.

Dalam membangun model mereka, LinkedIn berfokus pada beberapa faktor, termasuk keandalan, kepercayaan, privasi, penyesuaian dan harga. Model harus memberikan output yang konsisten tanpa keluar dari kursus mereka. Pengguna juga ingin tahu bahwa mereka dapat mengandalkan agen untuk konsisten; Pekerjaan mereka aman. Reaksi sebelumnya digunakan untuk menyesuaikannya; Biaya ini tidak naik.

“Kami ingin memberikan nilai lebih kepada pengguna, lebih baik mengembalikan mereka dan melakukan hal -hal yang membawa mereka kebahagiaan, seperti pekerjaan,” kata Darmsey. “Para rekrutan ingin fokus pada sumber kandidat yang sesuai, tidak menghabiskan waktu dalam pencarian.”