Etken Maddelerin Karışımı (MoA)

Ajan Karışımı (MoA), karmaşık görevleri işbirliği içinde çözmek için birden fazla büyük dil modelini (LLM) veya otonom ajanı kullanan gelişmiş bir yapay zeka mimarisidir. MoA sistemi, yanıt üretmek için tek bir modele güvenmek yerine, birkaç farklı modeli aynı anda sorgular. Bu ilk ajanlar bağımsız yanıtlar üretir ve bu yanıtlar daha sonra bir toplayıcı veya sentezleyici ajana iletilir. Toplayıcı, çeşitli bakış açılarını değerlendirir, iyileştirir ve tek bir yüksek kaliteli nihai çıktıya birleştirir. Bu işbirliğine 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 önemli bir ilerlemeyi temsil eder.

Ajan Karışımı ve Uzman Karışımı

Kulağa benzer gelse de, MoA'yı ilgili kavram olan Uzman Karışımı (MoE) ile birbirinden ayırmak çok önemlidir.

• Uzman Karışımı (MoE): Tek bir sinir ağı mimarisi içinde çalışır. Çıkarım sırasında her bir token için yalnızca belirli, uzmanlaşmış alt katmanları (uzmanları) etkinleştirmek üzere bir yönlendirme mekanizması kullanır. Bu, yüksek parametre sayısını korurken hesaplama verimliliğini optimize eder.
• Ajan Karışımı (MoA): Model veya sistem düzeyinde çalışır. Bu yaklaşım, genellikle farklı temel modeller üzerine inşa edilmiş, tamamen ayrı AI ajanlarınınbir iş akışı içinde etkileşime girmesini içerir. MoA, son dönemdeki çoklu ajan sistemi araştırmalarında ayrıntılı olarak açıklandığı üzere, daha çok akıllı bir inceleme süreciyle birleştirilmiş bir model topluluğu gibi işlev görür.

Gerçek Dünya Uygulamaları

MoA mimarileri, derinlemesine muhakeme, doğruluk kontrolü ve çeşitli verilerin sentezlenmesini gerektiren ortamlarda üstün performans gösterir.

• Karmaşık Yazılım Mühendisliği: Yazılım geliştirmede, bir MoA sistemi temel mantığı yazmak için Anthropic , birim testleri oluşturmak için OpenAI GPT-4o'yu ve güvenlik denetimi için yerelleştirilmiş bir modeli kullanabilir. Son aşamadaki birleştirici ajan, birleştirilmiş kodu inceler, test eder ve hatasız, iyileştirilmiş bir komut dosyası üretir.
• Otomatik Tıbbi Tanı: Sağlık sektöründe yapay zeka kapsamında, bir tanı mekanizması akışında, hasta geçmişini incelemek, laboratuvar sonuçlarını analiz etmek ve tıbbi görüntüleri işlemek üzere özel ajanlar devreye sokulabilir. Sentezleyici ajan, bu bulguları bir araya getirerek doktorların kapsamlı bir tanı koymasına yardımcı olur ve insan hatası olasılığını önemli ölçüde azaltır.

Görsel Analizi MoA İş Akışlarına Entegre Etme

Modern MoA sistemleri giderek daha çok modlu hale gelmektedir; bu da, fiziksel dünyayı algıladıktan sonra bu dünya üzerinde çıkarımda bulunmak için bilgisayar görme (CV) modellerine dayandıkları anlamına gelir. Örneğin, üretimde yapay zeka alanında, görsel bir ajan canlı kamera görüntülerini inceleyebilir ve elde ettiği gözlemleri bir çıkarım ajana gönderebilir.

Aşağıdaki Python , Ultralytics bir MoA iş akışı içinde nasıl bir "görsel ajan" olarak işlev görebileceğini ve sonraki aşamadaki büyük dil modellerine (LLM'ler) beslenecek bağlamsal verileri nasıl çıkarabileceğini göstermektedir. Geliştiriciler, Ultralytics kullanarak bu özel görsel araçları 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 oluşturulan yüksek performanslı görsel algılama modelleri arasındaki boşluğu doldurarak PyTorch ve Google gibi gelişmiş bilişsel motorlar arasında köprü kurarak, MoA ekosistemleri insan işbirliğini yansıtmaktadır. Bunlar hızla Agentic RAG boru backbone haline gelmekte ve daha sağlam ve güvenilir otonom sistemlerin önünü açmaktadır.