Аналитический ИИ: ваши возможности в эпоху агентов LLM — от FOMO к использованию возможностей

Испытываете ли вы «страх упустить что-то» (FOMO), когда дело касается агентов больших языковых моделей (LLM)? Ну, так я думал долгое время.

В последние месяцы мои новостные ленты, похоже, полностью заполонили «агенты большой языковой модели (LLM)»: каждый второй технический блог пытается показать мне, «как создать агента за 5 минут». Каждая вторая новость в сфере технологий освещает очередной блестящий стартап, создающий продукты на основе агентов большой языковой модели (LLM), или крупную технологическую компанию, выпускающую новую библиотеку для создания агентов или протокол агента с необычным названием (вы уже видели достаточно MCP или Agent2Agent?).

Внезапно оказывается, что большие языковые модели (LLM) повсюду. Все эти яркие демонстрации показывают, что эти цифровые монстры, похоже, более чем способны писать код, автоматизировать рабочие процессы и находить идеи, и они, похоже, грозят заменить... ну, почти все.

К сожалению, многие из наших бизнес-клиентов разделяют эту точку зрения. Они активно запрашивают интеграцию функций прокси в свои продукты. Они не колеблясь финансируют новые проекты по разработке агентов, опасаясь отстать от своих конкурентов в использовании этой новой технологии.

Как практикующий специалистАналитический искусственный интеллектУвидев впечатляющие демонстрационные версии, созданные моими коллегами, и услышав восторженные отзывы клиентов, я должен признать, что меня охватил серьезный страх упустить что-то важное (FOMO).

Это заставило меня искренне задуматься: не становится ли моя работа неактуальной?

Поразмыслив над этим вопросом, я пришел к такому выводу:

Нет, это совсем не так.

В этой записи блога я хотел бы поделиться своими мыслями о причинах быстрого роста Агенты большой языковой модели (LLM) Важность аналитического искусственного интеллекта. На самом деле, я считаю, что это делает наоборот: создает беспрецедентные возможности как для аналитического ИИ, так и для агентного ИИ.

Давайте выясним почему.

Прежде чем углубляться в детали, давайте быстро проясним терминологию:

• Аналитический ИИЯ в первую очередь имею в виду методы статистического моделирования и машинного обучения, применяемые к количественным и числовым данным. Рассмотрим промышленные приложения, такие как обнаружение аномалий, прогнозирование временных рядов, оптимизация проектирования изделий, предиктивное обслуживание, цифровые двойники и т. д.
• Агенты большой языковой модели (агенты LLM):Я имею в виду системы ИИ, которые используют большие языковые модели (LLM) в качестве ядра, способного выполнять задачи автономно, объединяя понимание естественного языка, рассуждение, планирование, память и использование инструментов.

• Аналитический ИИЯ в первую очередь имею в виду методы статистического моделирования и машинного обучения, применяемые к количественным и числовым данным. Рассмотрим промышленные приложения, такие как обнаружение аномалий, прогнозирование временных рядов, оптимизация проектирования изделий, предиктивное обслуживание, цифровые двойники и т. д.
• Агенты большой языковой модели (агенты LLM):Я имею в виду системы ИИ, которые используют большие языковые модели (LLM) в качестве ядра, способного выполнять задачи автономно, объединяя понимание естественного языка, рассуждение, планирование, память и использование инструментов.

 

Точка зрения 1: Аналитический ИИ обеспечивает критически важную количественную основу для агентов большой языковой модели (LLM).

Несмотря на впечатляющие возможности в понимании и генерации естественного языка, большим языковым моделям (LLM) принципиально не хватает количественной точности, необходимой для многих промышленных приложений. Именно здесь аналитический ИИ становится незаменимым, поскольку агенты больших языковых моделей (LLM) обеспечивают необходимую прочную математическую основу.

Существует несколько основных способов, с помощью которых аналитический ИИ может повысить производительность, предоставляя агентам большой языковой модели (LLM) точные математические основы и гарантируя, что они будут работать в соответствии с реальностью:

 

🛠️ Аналитический искусственный интеллект как основные инструменты

Интеграция аналитического ИИ в качестве специализированных, вызываемых инструментов является наиболее распространенной схемой предоставления агентам большой языковой модели (LLM) количественной основы.

Существовала давняя традиция (еще до нынешнего ажиотажа вокруг больших языковых моделей) разработки специализированных аналитических инструментов ИИ в различных отраслях для решения задач с использованием реальных операционных данных. Эти задачи, будь то прогнозирование технического обслуживания оборудования или прогнозирование потребления энергии, требуют высокой числовой точности и расширенных возможностей моделирования. Честно говоря, эти возможности принципиально отличаются от лингвистических и логических возможностей, характерных для современных крупных языковых моделей.

Эта прочная основа для аналитического ИИ не просто актуальна, но и необходима для создания крупных языковых моделей агентов с реалистичной точностью и эксплуатационной надежностью. Главный мотив здесь — разделение интересовПозвольте агентам большой языковой модели заниматься пониманием, рассуждением и планированием, в то время как аналитические инструменты ИИ выполняют специализированный количественный анализ, которому они были обучены.

В этой модели аналитические инструменты ИИ могут играть несколько важных ролей. Прежде всего, они могут Расширение возможностей агента Обладает сверхъестественными аналитическими способностями, которых ему не хватает от природы. Также они могут Проверка результатов/гипотез агента по сравнению с реальными данными и усвоенными закономерностями. Наконец, они могут Наложение материальных ограничений, гарантируя, что агенты будут действовать в реалистично достижимом пространстве.

Чтобы привести конкретный пример, представьте себе большого агента языковой модели, которому поручено оптимизировать сложный процесс производства полупроводников для повышения производительности и поддержания стабильности. Вместо того чтобы полагаться исключительно на текстовые журналы/заметки оператора, агент постоянно взаимодействует с набором специализированных аналитических инструментов ИИ для получения количественного и контекстно-обогащенного понимания процесса в режиме реального времени.

Например, для достижения своей цели высокой пропускной способности агент запрашивает Модель XGBoost Предварительно обучен прогнозировать потенциальную производительность на основе сотен показаний датчиков и параметров процесса. Это дает агенту представление о качестве результатов.

В то же время, чтобы обеспечить стабильность процесса для постоянного качества, агент вызывает модель автоэнкодера (Предварительно обученный на данных обычного процесса) для выявления потенциальных аномалий или неисправностей оборудования قبل Чтобы нарушить производство.

При возникновении потенциальных проблем, на которые указывает модель обнаружения аномалий, агент в идеале должен внести коррективы в курс дела. Для этого требуется Модель оптимизации на основе ограничений, который использует алгоритм Байесовская оптимизация Рекомендовать оптимальные корректировки параметров процесса.

В этом сценарии агент большой языковой модели по сути действует как интеллектуальный координатор. Он интерпретирует высокоуровневые цели, планирует запросы к соответствующим аналитическим инструментам ИИ, выводит их количественные результаты и преобразует эти сложные анализы в практические идеи для операторов или даже запускает автоматические корректировки. Благодаря такому сотрудничеству агенты больших языковых моделей остаются надежными и безопасными при решении сложных реальных промышленных задач.

 

🪣 Аналитический ИИ как среда цифрового тестирования

Помимо того, что аналитический ИИ является инструментом, который можно вызвать, он обеспечивает еще одну важную возможность: создание Моделирование сред Реализм, в котором агенты больших языковых моделей (LLM) обучаются и оцениваются до того, как они начнут взаимодействовать с физическим миром. Это особенно ценно в промышленных условиях, где отказ может привести к серьезным последствиям, таким как повреждение оборудования или нарушение безопасности. Такое цифровое моделирование необходимо для обеспечения безопасности эксплуатации и повышения производительности.

Аналитические методы ИИ обладают потенциалом для создания высокоточных представлений промышленных активов или процессов путем обучения как на исторических эксплуатационных данных, так и на основных физических уравнениях (вспомните такие методы, как нейронные сети, основанные на физике). Это потрясающе цифровые близнецы Охватывает основные физические принципы, эксплуатационные ограничения и присущую системе изменчивость. Использование этих цифровых двойников позволяет проводить точный анализ и делать надежные прогнозы.

В этом виртуальном мире, работающем на основе аналитического ИИ, агент большой языковой модели (LLM) может быть обучен путем получения сначала моделируемых данных датчиков, принятия решений об управляющих воздействиях, а затем наблюдения за реакциями системы, рассчитанными с помощью аналитического моделирования ИИ. В результате агенты могут проходить множество циклов обучения методом проб и ошибок за гораздо более короткое время и безопасно подвергать себя различным реалистичным условиям эксплуатации. Это ускоряет процесс разработки и снижает риски.

Помимо обучения агентов, эти симуляции, работающие на основе аналитического искусственного интеллекта, обеспечивают контролируемую среду для Оценка и сравнение Тщательно проверяйте производительность и надежность различных версий настроек агентов или политик управления перед их развертыванием в реальном мире. Эта комплексная оценка гарантирует оптимальную производительность и надежность.

В качестве конкретного примера рассмотрим случай управления электросетями. Агент большой языковой модели (LLM) (или несколько агентов), предназначенный для оптимизации интеграции возобновляемых источников энергии, может быть протестирован в такой моделируемой среде, поддерживаемой несколькими аналитическими моделями ИИ: мы можем иметь модель Нейронная сеть, основанная на физике (PINN) для описания сложных динамических потоков энергии. У нас также могут быть вероятностные модели прогнозирования для моделирования реалистичных погодных условий и их влияния на производство возобновляемой энергии. В этой насыщенной среде агенты большой языковой модели (LLM) могут научиться разрабатывать сложные политики принятия решений для балансировки сети в различных погодных условиях, не рискуя при этом фактическим нарушением обслуживания. Это обеспечивает эффективное и устойчивое управление электросетью.

Суть в том, что без аналитического ИИ ничего из этого не было бы возможно. Он формирует количественную основу и физические ограничения, которые делают разработку безопасных и эффективных агентов реальностью. Аналитический ИИ является краеугольным камнем разработки интеллектуальных и надежных систем.

 

📈 Аналитический искусственный интеллект как оперативный инструмент

Теперь, если мы посмотрим на общую картину с новой точки зрения, Разве агент большой языковой модели (LLM) или даже группа таких агентов не являются просто еще одним видом операционной системы, которой необходимо управлять, как и любым другим промышленным активом/процессом?

По сути, это означает, что все принципы проектирования, оптимизации и мониторинга систем по-прежнему применимы. И знаете что? Аналитический ИИ — именно тот инструмент, который для этого нужен.

И снова аналитический ИИ может вывести нас за рамки экспериментальных проб и ошибок (текущая практика) и направить к новым способам объективность وНа основе данных Для управления интеллектуальными системами. А как насчет использования Алгоритм байесовского оптимизатора Разработать архитектуру и конфигурации агента? А как насчет аккредитации? Методы исследования операций Улучшить распределение вычислительных ресурсов или эффективно управлять очередями заказов? А как насчет использования методов? Обнаружение аномалий во временных рядах Чтобы оповещать агентов о поведении в реальном времени?

Рассмотрение агента большой языковой модели (LLM) как сложной системы, подлежащей количественному анализу, открывает много новых возможностей. Именно эта операционная дисциплина, обеспечиваемая аналитическим ИИ, может превратить этих агентов из простой «демонстрации» в нечто надежное, эффективное и «действительно полезное» в современных промышленных операциях.

 

Точка зрения 2: Аналитический ИИ может быть усилен агентами большой языковой модели (LLM) благодаря их контекстному интеллекту..

Мы подробно обсудили, насколько важен аналитический ИИ для большой экосистемы агентов языковой модели. Но эта мощная синергия действует в обоих направлениях. Аналитический ИИ также может использовать уникальные преимущества крупных агентов языковых моделей для повышения удобства использования, эффективности и, в конечном итоге, влияния на реальный мир. Это те моменты, которые специалисты по аналитическому ИИ, возможно, не захотят упустить из виду, когда речь идет об агентах больших языковых моделей, поскольку они могут значительно улучшить процессы анализа данных и принятия решений.

 

🧩 От неясных целей к решаемым проблемам

Часто необходимость анализа начинается с общей, неопределенной бизнес-цели, например: «Нам необходимо улучшить качество продукции». Чтобы сделать эту цель осуществимой, специалисты по аналитическому ИИ должны неоднократно задавать уточняющие вопросы, чтобы выявить истинные целевые функции, конкретные ограничения и доступные входные данные, что неизбежно приводит к очень длительному процессу. Для этого требуется глубокое понимание соответствующих ключевых показателей эффективности (KPI).

Хорошей новостью является то, что агенты большой языковой модели (LLM) здесь преуспевают. Они могут интерпретировать эти неоднозначные запросы на естественном языке, задавать уточняющие вопросы и формулировать их в виде хорошо структурированных количественных задач, которые могут напрямую решать аналитические инструменты ИИ. Это значительно ускоряет процесс выявления и формулирования проблем, экономя драгоценное время для групп анализа данных.

 

📚 Обогащение аналитических моделей ИИ контекстом и знаниями

Традиционные аналитические модели ИИ работают в основном с числовыми данными. Для в значительной степени неиспользованных неструктурированных данных агенты большой языковой модели (LLM) могут быть очень полезны для извлечения полезной информации для использования в количественном анализе.

Например, агенты большой языковой модели (LLM) могут анализировать документы/отчеты/текстовые журналы для выявления важных закономерностей и преобразовывать эти качественные наблюдения в количественные характеристики, которые могут обрабатывать аналитические модели ИИ. Часто шаг улучшает Особенности инжиниринга Это значительно повышает производительность аналитических моделей ИИ, предоставляя им доступ к информации, заложенной в неструктурированных данных, которую они в противном случае могли бы упустить. Расширенная разработка характеристик имеет решающее значение для повышения точности моделей.

Другим важным вариантом использования является Маркировка данных. Здесь агенты большой языковой модели (LLM) могут автоматически генерировать точные метки классов и аннотации. Предоставляя высококачественные данные для обучения, они могут значительно ускорить разработку высокопроизводительных моделей контролируемого обучения.

Наконец, воспользовавшись знание Агенты больших языковых моделей (LLM), будь то Предварительно обученный В Большой языковой модели (LLM) или Активно искали Во внешних базах данных агенты большой языковой модели (LLM) могут автоматизировать настройку сложных аналитических конвейеров. Агенты большой языковой модели (LLM) могут рекомендовать соответствующие алгоритмы и настройки параметров на основе характеристик проблемы [1], генерировать код для реализации индивидуальных стратегий решения проблем или даже автоматически запускать эксперименты для настройки гиперпараметров [2].

 

💡От технических результатов до практических идей

Аналитические модели ИИ, как правило, выдают насыщенные результаты, и их правильная интерпретация требует опыта и времени. С другой стороны, агенты больших языковых моделей (LLM) могут выступать в качестве «переводчиков», преобразуя эти насыщенные количественные результаты в понятные и доступные объяснения на естественном языке.

Эта роль интерпретируемости играет решающую роль в объяснил Решения, принимаемые аналитическими моделями ИИ, доступны операторам-людям для быстрого понимания и принятия мер. Кроме того, эта информация может быть очень ценной для разработчиков моделей для проверки результатов модели, выявления потенциальных проблем и повышения производительности модели. Этот процесс способствует более глубокому пониманию процессов ИИ.

Помимо технических объяснений, агенты LLM также могут генерировать персонализированные ответы для различных типов аудитории: технические группы получат подробные методологические объяснения, операционный персонал может получить практические выводы, а руководители могут получить сводки, в которых будут выделены показатели влияния на бизнес. Такая настройка гарантирует, что нужная информация доходит до нужных заинтересованных сторон.

Действуя как Переводчики Между аналитическими системами и пользователями-людьми агенты большой языковой модели (LLM) могут значительно усилить практическую ценность аналитического ИИ.

 

Точка зрения 3: Возможно, будущее за настоящим сотрудничеством аналитического ИИ и агентского ИИ.

Независимо от того, используют ли агенты большой языковой модели (LLM) аналитические инструменты ИИ или аналитические системы используют агентов LLM для интерпретации, подходы, которые мы обсуждали до сих пор, всегда вращались вокруг того, что один тип ИИ отвечает за другой. На самом деле это вводит несколько ограничений, которые стоит изучить.

Прежде всего, в текущей модели аналитические компоненты ИИ используются только как пассивные инструменты и вызываются только тогда, когда этого требует большая языковая модель. Это не позволяет им активно вносить предложения или подвергать сомнению предположения.

Кроме того, типичный цикл агента «планирование-вызов-реагирование-действие» носит последовательный характер. Это может быть неэффективно для задач, которые могли бы выиграть от параллельной обработки или асинхронного взаимодействия ИИ.

Еще одним ограничивающим фактором является ограниченная пропускная способность соединения. Вызовы API могут не обеспечить расширенный контекст, необходимый для реального диалога или промежуточного обмена выводами.

Наконец, понимание больших языковых моделей агентов для аналитических инструментов ИИ часто опирается на краткую документацию и схему параметров. Агенты больших языковых моделей, скорее всего, будут совершать ошибки при выборе инструментов, в то время как аналитическим компонентам ИИ не хватает контекста, чтобы распознать, когда они используются не по назначению.

Тот факт, что сегодня широко распространена модель отзыва инструментов, не обязательно означает, что будущее будет выглядеть так же. Возможно, будущее за настоящей моделью однорангового сотрудничества, где ни один ИИ не будет доминировать.

Как это может выглядеть на практике? Один интересный пример, который я нашел, — это решение, предоставленное Siemens [3].

В их интеллектуальной заводской системе есть модель цифрового двойника, которая постоянно отслеживает состояние оборудования. При ухудшении состояния коробки передач аналитическая система искусственного интеллекта не ждет запроса, а заранее выдает оповещения. Агент Copilot LLM отслеживает тот же вектор событий. При получении оповещения он (1) выполняет перекрестные ссылки на записи о техническом обслуживании, (2) «просит» двойника повторно запустить моделирование с учетом предстоящих графиков смен, а затем (3) рекомендует скорректировать график, чтобы предотвратить дорогостоящие простои. Уникальность этого примера в том, что аналитическая система ИИ — это не просто пассивный инструмент. Напротив, диалог начинается тогда, когда это необходимо.

Конечно, это всего лишь одна из возможных архитектур системы. Другие тенденции, такие как Многоагентные системы со специализированными когнитивными функциями или, возможно, даже перекрестное обучение Для этих систем необходимо разрабатывать гибридные модели, которые учитывают аспекты обеих систем ИИ (так же, как люди разрабатывают интегрированные математические и лингвистические рассуждения), или просто черпать вдохновение из Методы группового обучения Создано путем рассмотрения больших языковых моделей и аналитических агентов ИИ как различных типов моделей, которые можно объединять систематическим образом. Будущие возможности безграничны.

Однако они также поднимают интересные исследовательские задачи. Как мы проектируем общие представления? Какая структура обеспечивает лучшую поддержку? асинхронный обмен информацией? Что это такое Протоколы связи Идеал между аналитическим ИИ и агентами?

Эти вопросы открывают новые горизонты, которые, безусловно, требуют экспертных знаний от специалистов-аналитиков в области ИИ. Опять же, глубокие знания в области построения аналитических моделей с количественной точностью не устарели, а необходимы для построения гибридных систем будущего.

 

Четвертая перспектива: Давайте примем интегративное будущее.

Как мы увидели в этой статье, будущее не за «аналитическим ИИ против агентов большой языковой модели (LLM)», а скорее Аналитический ИИ + агенты больших языковых моделей (LLM).

Поэтому вместо того, чтобы испытывать страх упустить что-то важное по отношению к агентам большой языковой модели (LLM), я теперь с новым энтузиазмом отношусь к развивающейся роли аналитического ИИ. Аналитические основы, которые мы создали, не устарели; они являются важнейшими компонентами более эффективной экосистемы ИИ.

Давайте строить.

ссылки

[1] Чен и др., PyOD 2: библиотека Python для обнаружения выбросов с выбором модели на основе LLM. arxiv, 2024.

[2] Лю и др., Большие языковые модели для улучшения байесовской оптимизации. arXiv, 2024.

[3] Siemens представляет прорывные инновации в области промышленного искусственного интеллекта и технологии цифровых двойников на выставке CES 2025. Пресс-релиз, 2025 г.