Mixture of Agents (MoA)

Ajanlar Karışımı (MoA), birden fazla büyük dil modelinden (LLMs) veya otonom ajandan karmaşık görevleri iş birliği içinde çözmek için yararlanan gelişmiş bir yapay zekâ mimarisidir. Yanıt oluşturmak için tek bir modele güvenmek yerine MoA sistemi, aynı anda birkaç farklı modele sorgu gönderir. Bu ilk ajanlar bağımsız yanıtlar üretir ve ardından bu yanıtlar bir toplama veya sentezleme ajanına iletilir. Toplayıcı, farklı bakış açılarını değerlendirir, geliştirir ve tek bir yüksek kaliteli nihai çıktıda birleştirir. Bu iş birliğine dayalı yaklaşım, akıl yürütme yeteneklerini önemli ölçüde artırır ve bağımsız modellerin bireysel önyargılarını veya zayıflıklarını azaltır; bu da doğal dil işleme (NLP) ve problem çözme alanlarında büyük bir ilerlemeyi temsil eder.

Ajanlar Karışımı ile Uzmanlar Karışımı Karşılaştırması#

Benzer gör­ünseler de MoA'yı ilgili Uzmanlar Karışımı (MoE) kavramından ayırmak kritik önem taşır.

• Uzmanlar Karışımı (MoE): Tek bir sinir ağı mimarisi içinde çalışır. Çıkarım sırasında her belirteç için yalnızca belirli, uzmanlaşmış alt katmanları (uzmanları) etkinleştirmek üzere bir yönlendirme mekanizması kullanır. Bu, yüksek parametre sayısını korurken hesaplama verimliliğini optimize eder.
• Ajanlar Karışımı (MoA): Model veya sistem düzeyinde çalışır. Tamamen ayrı yapay zekâ ajanlarının—çoğunlukla farklı temel modeller üzerine kurulmuş—bir işlem hattında etkileşim kurmasını içerir. Yakın tarihli çok ajanlı sistem araştırmalarında ayrıntılı olarak açıklandığı üzere MoA, akıllı bir inceleme süreciyle birleştirilmiş bir model topluluğu gibi çalışır.

Gerçek Dünya Uygulamaları#

MoA mimarileri, derin akıl yürütme, doğrulama ve çeşitli verilerin sentezlenmesini gerektiren ortamlarda üstün performans gösterir.

• Karmaşık Yazılım Mühendisliği: Yazılım geliştirmede bir MoA sistemi, temel mantığı yazmak için Anthropic Claude, birim testleri oluşturmak için OpenAI GPT-4o ve güvenlik denetimi için yerelleştirilmiş bir model kullanabilir. Son toplama ajanı, birleştirilmiş kodu inceler, test eder ve iyileştirilmiş, hatasız bir betik çıktısı üretir.
• Otomatik Tıbbi Tanı: Sağlıkta yapay zekâ alanında tanılama amaçlı bir MoA işlem hattı; hasta geçmişini incelemek, laboratuvar sonuçlarını analiz etmek ve tıbbi görüntülemeyi işlemek üzere uzmanlaşmış ajanları devreye alabilir. Sentezleme ajanı, kapsamlı bir tanı oluşturmalarında doktorlara yardımcı olmak için bu bulguları bir araya getirerek insan hatası olasılığını büyük ölçüde azaltır.

MoA İş Akışlarına Görüntü Yeteneği Entegrasyonu#

Modern MoA sistemleri giderek daha fazla çok kipli hâle geliyor; yani fiziksel dünyayı algılamadan önce onun üzerinde akıl yürütmek için bilgisayarlı görü (CV) modellerine güveniyorlar. Örneğin üretimde yapay zekâ kullanımında görsel bir ajan, canlı kamera akışını inceleyebilir ve olgusal gözlemlerini bir akıl yürütme ajanına gönderebilir.

Aşağıdaki Python örneği, Ultralytics YOLO26 modelinin bir MoA işlem hattında nasıl "görsel ajan" olarak görev yapabileceğini ve sonraki LLM'lere aktarılacak bağlamsal verileri nasıl çıkarabileceğini gösterir. Geliştiriciler, bu uzmanlaşmış görüntü araçlarını Ultralytics Platform kullanarak sorunsuz bir şekilde yönetebilir ve ince ayar yapabilir.

from ultralytics import YOLO

# Initialize YOLO26 as a dedicated visual agent
visual_agent = YOLO("yolo26n.pt")

# The agent observes the environment by running inference on an image
results = visual_agent("https://ultralytics.com/images/bus.jpg")

# Extract structured data to pass to the MoA aggregator
detected_classes = [visual_agent.names[int(cls)] for cls in results[0].boxes.cls]
unique_objects = set(detected_classes)

# This text context is then sent to the reasoning agent
print(f"Visual Agent Report: I have identified {', '.join(unique_objects)} in the scene.")

PyTorch gibi çerçevelerle oluşturulmuş yüksek yetenekli görüntü modelleri ile Google Gemini gibi gelişmiş bilişsel motorlar arasındaki boşluğu kapatan MoA ekosistemleri, insan iş birliğini yansıtır. Bu ekosistemler hızla Agentic RAG işlem hatlarının omurgası hâline geliyor ve daha sağlam ve güvenilir otonom sistemlerin önünü açıyor.