కృత్రిమ మేధస్సు రంగంలో ఇప్పుడు సరికొత్త టెక్నాలజీ ట్రెండ్ నడుస్తోంది. కేవలం పెద్ద లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLM) యొక్క పరామీటర్లను పెంచడం ద్వారా మాత్రమే మెరుగైన ఫలితాలు సాధించడం ప్రస్తుతం కుదరడం లేదు. మోడల్ పరామీటర్లను రెట్టింపు చేసినప్పుడు వచ్చే పనితీరు మెరుగుదల క్రమంగా తగ్గిపోతుండటంతో, డెవలపర్లు ఇప్పుడు మల్టీ-అసెంట్ కోఆర్డినేషన్ వైపు అడుగులు వేస్తున్నారు. ఒకే ఏఐ మోడల్‌పై ఆధారపడకుండా, వేర్వేరు ప్రత్యేకతలు కలిగిన అనేక ఏజెంట్లను ఒకే వ్యవస్థ కింద అనుసంధానించడమే ఈ మల్టీ-అసెంట్ ఆర్కెస్ట్రేషన్. అయితే, ఈ సాంకేతికతను ఆచరణలో పెట్టడంలో డెవలపర్లు తీవ్రమైన సవాళ్లను ఎదుర్కొంటున్నారు. పరిశోధనా డేటా ప్రకారం, ఇలాంటి మల్టీ-అసెంట్ సిస్టమ్స్‌లో జరిగే మొత్తం వైఫల్యాలలో సుమారు 36.9% కోఆర్డినేషన్ మిస్‌అలైన్‌మెంట్ (సమన్వయ లోపం) కారణంగానే జరుగుతున్నట్లు తేలింది.

ఒక ఏజెంట్ నుంచి మూడు లేదా ఐదు ఏజెంట్లకు సిస్టమ్‌ను విస్తరించినప్పుడు సమస్యలు మరింత క్లిష్టంగా మారుతాయి. ఏఐ మోడళ్ల మధ్య సంభవించే స్టేట్ ఎర్రర్స్, రేస్ కండిషన్స్ మరియు వైఫల్య బిందువుల సంఖ్య మోడళ్ల సంఖ్యకు ఘాతంగా పెరుగుతుంది. ఉదాహరణకు, సిస్టమ్‌లో ఏజెంట్ల సంఖ్యను మూడుకి పెంచితే సంక్లిష్టత 9 రెట్లు పెరుగుతుంది, అదే ఐదు ఏజెంట్లకు చేరితే సంక్లిష్టత ఏకంగా 25 రెట్లకు ఎగబాగుతుంది. ఈ కోఆర్డినేషన్ భారం కేవలం కోడింగ్ సమస్య మాత్రమే కాదు, ఇది టోకెన్ ఖర్చులను విపరీతంగా పెంచేస్తోంది. సెంట్రల్ మేనేజర్ ఏజెంట్లు యూజర్ ఆదేశాలను చిన్న చిన్న భాగాలుగా విడగొట్టడానికి, వాటిని వేర్వేరు ఏజెంట్లకు కేటాయించడానికి మరియు ఎప్పటికప్పుడు కాంటెక్స్ట్ మార్పిడి చేయడానికి అత్యధికంగా టోకెన్లను వినియోగిస్తున్నాయి. ప్రపంచపు అతిపెద్ద క్లౌడ్ కంప్యూటింగ్ ప్రొవైడర్లైన అమెజాన్ వంటి సంస్థల ఇంజనీర్లు కూడా ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌కు సంబంధించి ఖర్చులు ఎంత అవుతున్నాయో అంచనా వేయడం అత్యంత కష్టమని అంగీకరిస్తున్నారు.

ఈ టోకెన్ బ్లోట్ మరియు కోఆర్డినేషన్ సమస్యలను పరిష్కరించడానికి డెవలపర్లు నూతన పద్ధతులను అన్వేషిస్తున్నారు. షేర్డ్ స్టేట్ మరియు క్యాష్ ఇన్వాలిడేషన్ వంటి సాంకేతిక సమస్యల వల్ల రెండు వేర్వేరు ఏజెంట్లు ఒకే డేటాను ఒకే సమయంలో మార్చడానికి ప్రయత్నించి ఊహించని ఫలితాలను ఇస్తున్నాయి. దీన్ని నివారించడానికి డెవలపర్లు ఏజెంట్లు ప్రతి ప్రాంప్ట్ అమలు క్రమాన్ని ట్రాక్ చేసేందుకు 'ఏజెంట్ స్టెప్ గ్రాఫ్'లను వాడుతున్నారు. అలాగే, ఏజెంట్ల సంఖ్యను ఎప్పుడూ కనిష్ట స్థాయిలోనే ఉంచడం ఉత్తమమని నిపుణులు సూచిస్తున్నారు. ఎనిమిది ఏజెంట్లు చేసే పనిని ఐదు లేదా ఆరు ఏజెంట్లతో సమర్థవంతంగా చేయగలిగితే, సిస్టమ్ లోపాలను గణనీయంగా తగ్గించవచ్చు. ప్రతీ ఏజెంట్‌ను నిర్దిష్టమైన ఫైళ్లు మరియు టాస్క్‌లకే పరిమితం చేయడం ద్వారా కోఆర్డినేషన్ కష్టాలను అధిగమించవచ్చు. మానవ పర్యవేక్షణలో వచ్చే అలసటను తగ్గించడానికి ఏజెంట్ల మధ్య కఠినమైన యాక్షన్ పరిమితులను అమర్చడం, తద్వారా అనవసరమైన లూప్‌లను నివారించడం వంటి వినూత్న వ్యూహాలతో ఏఐ డెవలపర్లు మల్టీ-అసెంట్ భవిష్యత్తును తీర్చిదిద్దుతున్నారు.

 

 

 

[Multi-Agent AI Systems, AI Agent Orchestration, Large Language Models, LLM Performance, AI Coordination Challenges, Token Consumption, Shared State Management, Agent Step Graphs, Amazon Cloud Computing, Artificial Intelligence Technology]