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 специалист по аналитике в области ИИ , после того, как я увидел впечатляющие решения для агентов, разработанные моими коллегами, и получил восторженные отзывы от клиентов, я должен признаться, что испытал серьезный приступ страха упустить возможность (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 этом посте я хотел бы поделиться своими мыслями о том, почему стремительный рост числа агентов на основе больших языковых моделей (LLM) не уменьшает важность аналитического ИИ. На самом деле, я считаю, что он делает прямо противоположное: создает беспрецедентные возможности как для аналитического, 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 аналитического ИИ не только актуальна, но и необходима для создания агентов на основе больших языковых моделей с реалистичной точностью и операционной надежностью. Основная цель здесь — разделить задачи : пусть агенты на основе больших языковых моделей занимаются пониманием, рассуждением и планированием, а инструменты аналитического ИИ выполняют специализированный количественный анализ, для которого они были обучены.

В этой модели аналитические инструменты ИИ могут играть множество важных ролей. Прежде всего, они могут расширить возможности агента , добавив ему передовые аналитические способности, которых ему изначально не хватает. Они также могут проверять результаты/гипотезы агента на основе реальных данных и изученных закономерностей. Наконец, они могут накладывать физические ограничения , обеспечивая работу агентов в реалистично возможном 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 обращается к предварительно обученной модели XGBoost , чтобы спрогнозировать потенциальную пропускную способность на основе сотен показаний датчиков и параметров процесса. Это позволяет агенту оценить качество результатов.

В то же время, для обеспечения стабильности процесса и стабильного качества, агент задействует модель автокодировщика (предварительно обученную на данных стандартного процесса) для выявления потенциальных отклонений или неисправностей оборудования до того, как они нарушат производство.

Когда возникают потенциальные проблемы, на которые указывает модель обнаружения аномалий, агент должен оптимально скорректировать траекторию. Для этого он вызывает модель оптимизации на основе ограничений , которая использует алгоритм байесовской оптимизации для рекомендации оптимальных корректировок 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 многоразовым инструментом, он предлагает еще одну важную возможность: создание реалистичных имитационных сред, в которых агенты на основе больших языковых моделей (LLM) обучаются и оцениваются перед взаимодействием с физическим миром. Это особенно ценно в промышленных условиях, где сбои могут иметь серьезные последствия, такие как повреждение оборудования или инциденты, связанные с безопасностью. Такие цифровые симуляции необходимы для обеспечения безопасности производственных процессов и оптимизации производительности.

Аналитические методы искусственного интеллекта обладают высокими возможностями для создания точных моделей промышленных активов или процессов, обучаясь как на основе исторических данных об эксплуатации, так и на основе управляющих физических уравнений (например, нейронные сети, основанные на физических принципах). Эти цифровые двойники отражают фундаментальные физические принципы, ограничения эксплуатации и присущую системе изменчивость. Использование 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 на основе ИИ обеспечивают контролируемую среду для точной оценки и сравнения производительности и надежности различных версий настроек агентов или политик управления до их реального развертывания. Такая всесторонняя оценка гарантирует оптимальную производительность и надежность.

В качестве конкретного примера рассмотрим случай управления энергосетью. Агент на основе модели большого языка (LLM) (или несколько агентов), разработанный для улучшения интеграции возобновляемых источников энергии, может быть протестирован в такой смоделированной среде, поддерживаемой несколькими аналитическими моделями ИИ: у нас может быть модель нейронной сети, основанная на физических принципах (PINN), для описания сложных динамических потоков энергии. У нас также могут быть вероятностные модели прогнозирования для моделирования реальных погодных условий и их влияния на выработку возобновляемой энергии. В этой богатой среде агент(ы) LLM могут научиться разрабатывать сложные стратегии принятия решений для балансировки сети в различных погодных условиях, не рискуя фактическими перебоями в обслуживании. Это обеспечивает эффективное и устойчивое управление энергосетью.

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 взглянуть на ситуацию в целом с новой точки зрения, разве агент, использующий большие языковые модели (LLM), — или даже команда таких агентов — не является просто еще одним типом операционной системы, которой необходимо управлять, как 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.

В очередной раз аналитический ИИ обладает потенциалом вывести нас за рамки метода проб и ошибок (нынешняя практика) и приблизить к объективным , основанным на данных подходам к управлению интеллектуальными системами. Что насчет использования алгоритмов байесовской оптимизации для проектирования архитектуры и конфигураций агентов? Что насчет применения методов исследования операций для оптимизации распределения вычислительных ресурсов или эффективного управления очередями заказов? Что насчет использования методов обнаружения аномалий во временных рядах для оповещения 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 искусственный интеллект может быть усилен агентами, использующими большие языковые 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, использующие модели обработки больших языков (LLM), могут анализировать документы, отчеты и текстовые записи для выявления значимых закономерностей и преобразования этих качественных наблюдений в количественные признаки, которые могут обрабатывать аналитические модели ИИ. Этот этап проектирования признаков часто значительно повышает производительность аналитических моделей ИИ, предоставляя им доступ к информации, скрытой в неструктурированных данных, которую они могли бы иначе упустить. Продвинутое проектирование признаков имеет важное значение для повышения точности модели.

Еще один важный вариант применения — именование данных . В этом случае агенты, использующие модели большого языка (LLM), могут автоматически генерировать точные метки классов и аннотации. Предоставляя высококачественные обучающие данные, они могут значительно ускорить разработку высокопроизводительных моделей контролируемого обучения.

Наконец, используя знания агентов больших языковых моделей (LLM), будь то предварительно обученные в рамках LLM или активно исследуемые во внешних базах данных, агенты LLM могут автоматизировать настройку сложного аналитического конвейера. Агенты LLM могут рекомендовать подходящие алгоритмы и параметры на основе характеристик задачи [1], генерировать код для реализации индивидуальных стратегий решения задач или даже автоматически запускать эксперименты для точной 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 интерпретируемость играет решающую роль в объяснении решений, принимаемых аналитическими моделями ИИ, таким образом, чтобы операторы-люди могли быстро понять их и принять соответствующие меры. Кроме того, эта информация может быть очень ценной для разработчиков моделей при проверке результатов работы моделей, выявлении потенциальных проблем и улучшении их производительности. 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.

Выступая в роли переводчиков между аналитическими системами и пользователями-людьми, агенты, использующие большие языковые модели (LLM), могут значительно повысить практическую ценность аналитического искусственного интеллекта.

 

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 лишь один из возможных вариантов архитектуры системы. Другие направления включают многоагентные системы со специализированными когнитивными функциями, или, возможно, даже кросс-обучение этих систем для разработки гибридных моделей, которые включают в себя аспекты обеих систем ИИ (подобно тому, как люди развивают интегрированное математическое и лингвистическое мышление), или просто черпание вдохновения из устоявшихся методов ансамблевого обучения , рассматривая крупномасштабные языковые модели-агенты и аналитический ИИ как разные типы моделей, которые можно систематически интегрировать. Будущие возможности безграничны.

Но это также порождает интересные исследовательские задачи. Как проектировать общие представления ? Какая архитектура лучше всего поддерживает асинхронный обмен информацией ? Каковы идеальные протоколы связи 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 уже убедились на протяжении всей статьи, будущее — это не «аналитический ИИ против агентов на основе больших языковых моделей (LLM)», а скорее «аналитический ИИ + агенты на основе 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 помощью выбора модели на основе LLM. arXiv, 2024.

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

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