Mixture of Agents (MoA)

Ajanların Karışımı (MoA), karmaşık görevleri işbirliği içinde çözmek için birden çok büyük dil modelinden (LLM) veya otonom ajandan yararlanan gelişmiş bir yapay zeka mimarisidir. Bir yanıt üretmek için tek bir modele güvenmek yerine, bir MoA sistemi aynı anda birkaç farklı modeli sorgular. Bu ilk ajanlar, daha sonra bir toplayıcı veya sentezleyici ajana iletilen bağımsız yanıtlar üretir. Toplayıcı; farklı perspektifleri değerlendirir, iyileştirir ve tek, yüksek kaliteli nihai bir çıktıda birleştirir. Bu işbirlikçi yaklaşım, akıl yürütme yeteneklerini önemli ölçüde artırır ve bağımsız modellerin bireysel önyargılarını veya zayıflıklarını hafifleterek doğal dil işleme (NLP) ve sorun çözme alanında büyük bir ileri adım oluşturur.

Ajanlar Karışımı vs. Uzmanlar Karışımı#

Benzer ses çıkarsalar da, MoA'yı ilgili Uzmanların Karışımı (MoE) kavramından ayırmak çok önemlidir.

• Uzmanların Karışımı (MoE): Tek bir sinir ağı mimarisi içinde çalışır. Çıkarım sırasında her token için yalnızca belirli, özelleşmiş alt katmanları (uzmanları) etkinleştirmek için bir yönlendirme mekanizması kullanır. Bu, yüksek parametre sayılarını korurken hesaplama verimliliğini optimize eder.
• Ajanların Karışımı (MoA): Model veya sistem düzeyinde çalışır. Çoğu zaman farklı temel modeller üzerine inşa edilmiş tamamen ayrı yapay zeka ajanlarının bir boru hattında etkileşime girmesini içerir. MoA, son çok ajanlı sistem araştırmalarında detaylandırıldığı gibi, akıllı bir inceleme süreciyle birleştirilmiş bir model topluluğuna daha çok benzer.

Gerçek Dünya Uygulamaları#

MoA mimarileri, derin akıl yürütme, doğruluk kontrolü ve çeşitli veri sentezi 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 bir toplayıcı ajan, birleştirilen kodu inceler, test eder ve iyileştirilmiş, hatasız bir komut dosyası çıktısı verir.
• Otomatik Tıbbi Teşhis: Sağlık sektöründe yapay zeka alanında, teşhis amaçlı bir MoA boru hattı; hasta geçmişini incelemek, laboratuvar sonuçlarını analiz etmek ve tıbbi görüntülemeyi işlemek için özel ajanlar görevlendirebilir. Sentezleyici ajan, doktorların kapsamlı bir teşhis koymasına yardımcı olmak için bu bulguları bir araya getirerek insan hatası olasılığını büyük ölçüde azaltır.

Görmeyi MoA İş Akışlarına Entegre Etmek#

Modern MoA sistemleri giderek daha çok modüllüdür; yani fiziksel dünyayı üzerinde akıl yürütmeden önce algılamak için bilgisayarlı görü (CV) modellerine güvenirler. Örneğin, üretimde yapay zeka alanında görsel bir ajan canlı bir kamera akışını denetleyebilir ve olgusal gözlemlerini bir akıl yürütme ajanına gönderebilir.

Aşağıdaki Python örneği, Ultralytics YOLO26 modelinin bir MoA boru hattı içinde nasıl "görsel ajan" olarak işlev görebileceğini, alt akıştaki LLM'lere beslenecek bağlamsal verileri çıkarabileceğini göstermektedir. Geliştiriciler, Ultralytics Platform kullanarak bu özelleşmiş görü araçlarını 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 inşa edilmiş son derece yetenekli görü modelleri ile Google Gemini gibi gelişmiş bilişsel motorlar arasındaki boşluğu kapatarak MoA ekosistemleri insan işbirliğini yansıtır. Daha sağlam ve güvenilir otonom sistemlerin önünü açarak hızla Agentic RAG boru hatlarının omurgası haline gelmektedirler.