Tidak ada keraguan bahwa agen kecerdasan buatan – mereka yang dapat bekerja secara mandiri dan tidak aman di balik layar dalam fungsi institusi – adalah subjek Du Jour di institusi pada saat ini.

Tetapi ada kekhawatiran yang semakin meningkat bahwa itu benar -benar semua – itu terjadi, seringkali kebisingan, tanpa esensi besar di belakangnya.

Gartner mencatat, di satu sisi, bahwa lembaga -lembaga di “puncak ekspektasi yang diperbesar”, suatu periode sebelum mereka kecewa secara langsung karena penjual tidak mendukung percakapan mereka dengan kasus penggunaan konkret di dunia nyata.

Namun, ini tidak berarti bahwa lembaga tidak mencoba agen kecerdasan buatan dan melihat investasi awal (ROI); Perusahaan Internasional penghalang jalan Dan GlaxoSmhkline (GSK), untuk bagian -bagiannya, mengeksplorasi bukti konsep dalam jasa keuangan dan penemuan obat.

Brad Axen, yang dirilis di bidang platform AI dan platform data, mengatakan kepada VentureBeat, CEO VentureBeat, CEO VentureBeat, CEO VentureBeat, CEO VentureBeat, CEO VentureBeat: peluncuran, tetapi kami menemukan apa yang terlihat seperti manusia, “.

Bekerja dengan satu kolega, bukan segerombolan robot

Blokir, perusahaan induk dengan nilai 10.000 persegi, aplikasi tunai dan paydpay, menganggap dirinya dalam mode penemuan penuh, setelah menawarkan kerangka kerja yang beroperasi AI, Nama bekasPada bulan Januari.

Axen menjelaskan bahwa Goose awalnya disajikan untuk tugas rekayasa perangkat lunak, dan sekarang digunakan oleh 4000 insinyur, dengan ganda bulanan. Statuta ini menulis sekitar 90 % dari pelestarian kode dan insinyur sekitar 10 jam kerja per minggu dengan mengotomatiskan pembuatan kode, mengoreksi informasi dan memfilter informasi.

Selain menulis instruksi perangkat lunak, Goose berfungsi sebagai kolega dalam tim digital dari suatu jenis, tekanan slack dan aliran email, integrasi melalui alat perusahaan dan agen baru ketika tugas membutuhkan lebih banyak produktivitas dan jangkauan yang diperluas.

Axen menekankan bahwa blok berfokus pada menciptakan satu antarmuka yang terlihat seperti bekerja dengan satu kolega, bukan sekelompok robot. “Kami ingin Anda merasa seperti Anda bekerja dengan satu orang, tetapi mereka berperilaku atas nama Anda di banyak tempat dalam beberapa cara berbeda,” jelasnya.

Pergi bekerja dalam waktu aktual di lingkungan pengembangan, penelitian, mobilitas, dan penulisan dalam kode berdasarkan Produk Model Bahasa Grand (LLM), saat membaca file dan menulis secara mandiri, mengoperasikan instruksi dan tes perangkat lunak, menyempurnakan output dan memperbaiki konsekuensinya.

Pada dasarnya, siapa pun dapat membuat dan mengoperasikan sistem LLM yang disukai, dan dapat dibayangkan sebagai lapisan aplikasi. Ini berisi antarmuka aplikasi desktop dan antarmuka baris perintah, tetapi devs juga dapat membangun antarmuka pengguna khusus. Platform ini dirancang pada konteks protokol untuk bulan Antarbur Month (MCP), kelompok terpadu yang semakin populer dari fasad pemrograman aplikasi dan titik finishing yang menghubungkan agen ke gudang data, alat, dan lingkungan pengembangan.

Goose dirilis di bawah Apache Open Open Apache 2.0 (ASL2), yang berarti siapa pun dapat menggunakannya dengan bebas, memodifikasi dan mendistribusikan, bahkan untuk tujuan komersial. Pengguna dapat mengakses basis data basis data dan melakukan panggilan atau pertanyaan SQL tanpa perlu pengetahuan teknis.

“Kami benar -benar ingin mencapai proses yang memungkinkan orang untuk mendapatkan nilai dari sistem tanpa harus menjadi ahli,” jelas.

Misalnya, dalam pengkodean, pengguna dapat mengatakan apa yang mereka inginkan dalam bahasa alami dan bingkai akan menjelaskan hal ini kepada ribuan baris kode yang dapat dibaca oleh para pengembang. Blok juga untuk melihat nilai tugas tekanan, seperti membaca Oze melalui Slack, E -mail dan saluran lainnya dan meringkas informasi untuk pengguna. Selain itu, dalam penjualan atau pemasaran, agen dapat mengumpulkan informasi terkait tentang kemungkinan pelanggan dan portnya dalam database.

Agen kecerdasan buatan tidak dieksploitasi, tetapi pengalaman lapangan manusia masih diperlukan

Prosesnya adalah botol terbesar. Orang tidak hanya dapat memberikan alat dan meminta mereka untuk membuatnya bekerja untuk mereka; Agen membutuhkan kebalikan dari operasi di mana karyawan sudah berpartisipasi. Pengguna manusia tidak peduli dengan tulang belakang artistik, sebaliknya, pekerjaan yang mereka coba lakukan.

Aksin mengatakan bahwa pembangun pembangun, oleh karena itu, perlu melihat apa yang coba dilakukan karyawan dan merancang alat untuk “secara harfiah mungkin.” Kemudian mereka dapat menggunakan ini untuk rantai bersama dan mengobati masalah yang lebih besar dan lebih besar.

“Saya pikir kita kekurangan banyak dari apa yang bisa mereka lakukan,” kata Axen tentang agen -agen tersebut. “Ini adalah manusia dan praktis karena kita tidak dapat mengikuti teknologi. Ada kesenjangan besar antara teknologi dan peluang.”

Dan ketika industri memblokir itu, apakah akan tetap ada ruang untuk pengalaman bidang manusia? Tentu saja, kata Axen. Misalnya, terutama dalam jasa keuangan, kode tersebut harus dapat diandalkan, kompatibel, dan aman untuk melindungi perusahaan dan pengguna; Karena itu, itu harus ditinjau oleh mata manusia.

“Kami masih melihat peran yang sangat penting bagi para ahli manusia di setiap bagian operasi perusahaan kami,” katanya. “Ini tidak selalu mengubah arti pengalaman sebagai individu. Ini hanya memberi Anda alat baru untuk mengekspresikannya.”

Blok berdasarkan pada open source tulang belakang

Axen menunjukkan bahwa antarmuka pengguna manusia adalah salah satu elemen paling sulit dari faktor kecerdasan buatan. Tujuannya adalah untuk membuat antarmuka mudah digunakan sementara kecerdasan buatan di latar belakang bersifat proaktif.

Aksen mencatat bahwa itu akan berguna, jika ada lebih banyak pemain di industri ini, mereka menggabungkan standar MCP. Misalnya, “Saya ingin pergi ke Google dan memiliki MCP umum untuk Gmail.” “Ini akan membuat hidupku lebih mudah.”

Ketika ditanya tentang komitmen Block terhadap open source, ia mengindikasikan bahwa “kami selalu memiliki open source tulang punggung,” menambahkan bahwa selama tahun lalu perusahaan “diperbarui” investasinya dalam membuka teknologi.

“Di ruang yang menggerakkan ini dengan cepat, kami berharap kami dapat menciptakan tata kelola open source sehingga Anda dapat menjadi alat ini yang membuat Anda bahkan dengan penampilan model baru dan produk baru.”

Eksperimen GSK dengan beberapa faktor dalam deteksi obat

GSK adalah pengembang obat perintis, dengan konsentrasi khusus pada vaksin, penyakit menular dan penelitian onkologi. Sekarang, perusahaan telah mulai menerapkan struktur multi -agen untuk mempercepat penemuan obat.

Kim Branson, SVP GSK dan kepala internasional AI dan ML, mengatakan para agen mulai mengubah produk perusahaan dan “sepenuhnya penting bagi bisnis kami.”

Branson menjelaskan bahwa para ilmuwan GSK menggabungkan lapangan dengan ontologi (konsep subjek dan kategori yang merujuk pada karakteristik dan hubungan di antara mereka), alat dan kerangka kerja pengujian yang ketat.

Ini membantu mereka untuk menanyakan tentang kelompok data ilmiah raksasa, perencanaan eksperimen (bahkan jika tidak ada realitas duniawi) dan mengumpulkan bukti melalui genom (studi DNA), protein (studi protein) dan data klinis. Faktor -faktor dapat memunculkan hipotesis, memverifikasi kesehatan data yang bergabung dan menekan siklus penelitian.

Branson menunjukkan bahwa penemuan ilmiah telah berjalan jauh; Sequencies telah menurun, dan penelitian protein telah menurun lebih cepat. Namun, pada saat yang sama, penemuan menjadi lebih sulit dari sebelumnya di mana semakin banyak data dikumpulkan, terutama melalui perangkat dan perangkat yang dapat dipakai. Branson berkata: “Kami memiliki data pulsa yang lebih berkelanjutan daripada orang sebagai tipe.”

Dia menunjukkan bahwa mungkin hampir mustahil bagi manusia untuk menganalisis semua data ini, jadi tujuan GSK adalah menggunakan AI untuk mempercepat waktu pengulangan.

Namun, pada saat yang sama, kecerdasan buatan bisa sulit di farmasi besar karena seringkali tidak ada kebenaran dasar tanpa melakukan uji klinis besar; Itu datang ke hipotesis dan ilmuwan yang mengeksplorasi bukti untuk mencapai solusi yang mungkin.

“Ketika Anda mulai menambahkan agen, Anda menemukan bahwa kebanyakan orang sebenarnya tidak mendapatkan cara standar untuk melakukannya satu sama lain,” kata Branson. “Kontras ini tidak buruk, tetapi kadang -kadang mengarah pada pertanyaan lain.”

Dia berkata: “Kami tidak selalu memiliki fakta mutlak untuk bekerja dengannya – jika tidak, pekerjaan saya akan jauh lebih mudah.”

Dia menjelaskan bahwa seluruh masalah terkait dengan mencapai tujuan yang tepat atau mengetahui cara merancang apa yang bisa menjadi tanda biologis atau bukti hipotesis yang berbeda. Misalnya: Apakah ini cara terbaik untuk mengamati orang dengan kanker ovarium dalam kasus khusus ini?

Untuk mendapatkan kecerdasan buatan, ia memahami bahwa pemikiran membutuhkan penggunaan ontologi dan mengajukan pertanyaan seperti, “Jika ini benar, apa artinya X?” Faktor lapangan dapat mengumpulkan bukti yang relevan dari kelompok data internal yang besar.

Branson menjelaskan bahwa GSK membangun bahasa yang terbalik elang untuk titik nol yang digunakannya untuk penalaran dan pelatihan. “Kami sedang membangun model yang sangat spesifik untuk aplikasi kami sebagai orang lain,” katanya.

Dia menunjukkan bahwa kecepatan penalaran itu penting, baik untuk latar belakang dengan bentuk atau penelitian independen yang mendalam, dan GSK menggunakan berbagai kelompok alat berdasarkan tujuan akhir. Tetapi jendela konteks besar tidak selalu jawabannya, dan likuidasi sangat penting. “Anda hanya bisa memainkan pengisian konteks,” kata Branson. “Kamu tidak hanya bisa melempar semua data dalam hal ini dan percaya pada LM untuk mengetahuinya.”

Tes kritis berkelanjutan

GSK menempatkan banyak tes dalam sistem agennya, yang memberikan prioritas pada yang tak terhindarkan dan keandalan, dan sering kali menjalankan banyak faktor secara paralel dengan hasil verifikasi silang.

Branson ingat bahwa ketika timnya mulai membangun untuk pertama kalinya, mereka memiliki agen SQL bahwa mereka menjalankan “10.000 kali”, tiba -tiba detail “palsu”.

Dia berkata: “Kami tidak melihat ini terjadi lagi, tetapi ini terjadi sekali dan kami bahkan tidak mengerti mengapa itu terjadi dengan LLM khusus ini.”

Akibatnya, timnya akan sering menyalakan banyak salinan dan model secara paralel dengan penerapan komunikasi dan pembatasan pada alat; Misalnya, dua LLM akan sepenuhnya dengan urutan yang sama dan ilmuwan GSK akan memverifikasi.

Timnya berfokus pada cincin pembelajaran aktif dan mengumpulkan standar internalnya karena sering populer bagi publik “agak akademis dan tidak mencerminkan apa yang kita lakukan.”

Misalnya, mereka akan membuat banyak pertanyaan biologis, dan mencatat apa yang menurut mereka merupakan standar emas, kemudian aplikasi LLM menentangnya dan melihat bagaimana peringkatnya.

“Kami terutama mencari hal -hal bermasalah karena mereka tidak berhasil atau melakukan sesuatu yang bodoh, karena ini adalah saat kami mempelajari beberapa hal baru,” kata Branson. “Kami mencoba menggunakan pakar kemanusiaan di tempat yang penting.”