Vad är en resoneringsmotor?

Tänk om AI kunde automatisera rutinmässiga affärsuppgifter som att skriva e-postmeddelanden, generera kampanjunderlag, bygga webbsidor, undersöka konkurrenter, analysera data och sammanfatta samtal. Att automatisera sådana repetitiva uppgifter kan frigöra en enorm mängd värdefull mänsklig tid och ansträngning för mer komplexa och kreativa aktiviteter som affärsstrategi och relationsbyggande.

Automatisering av sådana rutinmässiga affärsuppgifter kräver simulering av mänsklig intelligens genom att få AI att fungera som en resonemangsmotor. Det är generativ AI på en annan nivå. Förutom att kommunicera på naturligt språk kommer AI också att hjälpa till med problemlösning och beslutsfattande. Den kommer att lära sig av den information som tillhandahålls, utvärdera för- och nackdelar, förutsäga resultat och fatta logiska beslut. Med tanke på den senaste tidens tekniska framsteg befinner vi oss vid branten för en sådan AI-kapacitet och den har många människor inom vetenskapen och näringslivet glada.

En regelmotor är ett AI-system som efterliknar beslutsfattande och problemlösning på mänsklig nivå baserat på vissa regler, data och logik. Det finns tre typer av mänskliga resonemang eller slutledningsmekanismer som resonemangsmotorer tenderar att efterlikna:

1. Deduktivt resonemang – gör en slutsats baserad på universella och allmänt accepterade fakta. Till exempel: ”Alla fåglar lägger ägg. En duva är en fågel. Därför lägger duvor ägg.”
2. Induktivt resonemang — härleder en slutsats från specifika instanser eller prover. Det här kan se ut så här: "Varje hund jag möter är vänlig. Därför är alla hundar vänliga!”
3. Abduktivt resonemang – drar en trolig slutsats från ofullständig (och ofta tvetydig) information, såsom: ”Det ligger trasiga papper över hela golvet och vår hund var ensam i lägenheten. Därför måste hunden ha rivit sönder pappren.”

Vid det här laget vet människor över hela världen att stora språkmodeller (LLM) är speciella maskininlärningsmodeller som kan generera användbart nytt innehåll från den data de tränas på. Utöver det uppvisar LLMs idag också förmågan att förstå sammanhang, dra logiska slutsatser från data och koppla ihop olika delar av information för att lösa ett problem. Dessa egenskaper gör det möjligt för en LLM att fungera som en resonemangsmotor.

Så hur löser en LLM ett vanligt affärsmatteproblem genom att utvärdera information, skapa en plan och tillämpa en känd uppsättning regler?

Låt oss säga att en kaféägare vill veta hur många kaffe hon behöver sälja per månad för att nå ut. Hon tar 3,95 USD per kopp, hennes fasta månadskostnader är 2 500 USD och hennes rörliga kostnader per enhet är 1,40 USD.

LLM tillämpar en känd uppsättning matematiska regler för att systematiskt få svaret:

Steg 1:

Identifiera relevanta värden.

Steg 2:

Beräkna täckningsbidraget per kaffe. Täckningsbidrag är försäljningspriset minus den rörliga kostnaden.
= 3,95 USD – 1,40 USD = 2,55 USD

Steg 3:

Applicera break even-formel. Brytpunkten är den fasta kostnaden dividerad med täckningsbidraget.
= $2500/$2,55 = 980,39

Steg 4:

Runda uppåt till närmaste heltal.
Break-even punkt = 981 kaffe

Populariteten för stora språkmodeller sköt i höjden hösten 2022, men forskare har varit djupt inne på att experimentera med dessa modeller genom olika uppmaningar. "Prompting", eller prompt engineering, är nu en snabbt växande domän där en noggrant utformad uppsättning inmatningsinstruktioner (prompter) skickas till LLM för att generera önskade resultat. När vi använder uppmaningar för att skapa en logisk plan med steg för att uppnå ett mål, hänvisar vi också till dem som "resoneringsstrategier". Låt oss utforska några av de populära resonemangsstrategierna nedan:

• Chain-of-Thought (CoT): Detta är en av de mest populära resonemangsstrategierna. Detta tillvägagångssätt efterliknar beslutsfattande i mänsklig stil genom att instruera en LLM att bryta ner ett komplext problem i en sekvens av steg. Denna strategi kallas också för en "sekvensplanerare". Chain-of-Thought-resonemang kan lösa matematiska ordproblem, åstadkomma sunt förnuft och kan lösa uppgifter som en människa kan lösa med språk. En fördel med CoT är att det tillåter ingenjörer att kika in i processen och, om saker går fel, identifiera vad som gick fel för att fixa det.
• Resonemang och agerande (ReAct): Denna strategi utnyttjar verklig information för resonemang utöver data som LLM har tränats på. ReAct-baserade resonemang sägs vara mer besläktade med en människoliknande uppgiftslösning som involverar interaktivt beslutsfattande och verbala resonemang, vilket leder till bättre felhantering och lägre hallucinationsfrekvens . Det samverkar resonemang och handling genom användaråtgärder, vilket ökar tolkningsbarheten och tillförlitligheten hos svaren. Denna strategi kallas också för en "stegvis planerare" eftersom den närmar sig problemlösning på ett steg-för-steg sätt och även söker feedback från användare vid varje steg.
• Tankarnas träd (ToT): Denna variant av Chain-of-Thought-metoden genererar flera tankar vid varje mellansteg. Istället för att bara välja en resonemangsväg, utforskar och utvärderar den miljöns nuvarande status med varje steg för att aktivt se framåt eller bakåt för att fatta mer medvetna beslut. Denna strategi har visat sig avsevärt överträffa CoT på komplexa uppgifter som matematikspel, kreativa skrivövningar och minikorsord. ToT-resonemang anses vara ännu närmare ett mänskligt beslutsfattande paradigm som utforskar flera alternativ, väger för- och nackdelar och sedan väljer det bästa.
• Resonemang via planering (RAP): Denna strategi använder LLM som både resonemangsmotor och världsmodell för att förutsäga miljöns tillstånd och simulera den långsiktiga effekten av åtgärder. Den integrerar flera begrepp, som att utforska alternativa resonemangsvägar, förutse framtida tillstånd och belöningar och iterativt förfina befintliga resonemangssteg för att uppnå bättre resonemangsprestanda. RAP-baserade resonemang skryter med överlägsen prestanda över olika baslinjer för uppgifter som involverar planering, matematiska resonemang och logiska slutsatser.

Dessa är bara några av de mest lovande strategierna idag. Processen att tillämpa dessa strategier på en verklig AI-applikation är en iterativ sådan som innebär att man justerar och kombinerar olika strategier för den mest optimala prestandan.

Det är ganska spännande att låta LLM fungera som resonemangsmotorer, men hur gör man det användbart i den verkliga världen? För att dra en analogi med människor, om LLM är som hjärnan med förmåga att resonera, planera och fatta beslut, behöver vi fortfarande våra händer och ben för att kunna agera. Cue "AI-agenten " - ett AI-system som innehåller både resonemang och handlingsförmåga. Några av de vanligaste termerna för att vidta åtgärder är "verktyg", "plugins" och "åtgärder".

Det finns två typer av AI-agenter: helt autonoma och semi-autonoma. Helt autonoma agenter kan fatta beslut självständigt utan mänsklig inblandning och agera på dem också. Den här typen av medel är för närvarande i experimentläge. Semi-autonoma agenter är de agenter som involverar en "människa i slingan" för att utlösa förfrågningar. Vi börjar se antagandet av semi-autonoma agenter främst i AI-applikationer som konversationschatbotar, inklusive Einstein Copilot, ChatGPT och Duet AI.

En AI-agent har fyra nyckelkomponenter:

1. Mål – agentens primära mål eller uppgift.
2. Miljö – den kontextuella informationen, såsom målet, första användarinmatning, historik över tidigare aktiviteter eller konversationer, grunddata för relevans, användarfeedback och data som LLM har utbildats på.
3. Resonemang – LLM:s inbyggda förmåga att göra observationer, planera nästa åtgärder och omkalibrera för att optimera mot det avsedda målet.
4. Åtgärd — vanligtvis externa verktyg för att göra det möjligt för en agent att uppnå målet. Några vanliga exempel på åtgärder är informationshämtning, sökning, kodgenerering, kodtolkning och dialoggenerering.

Einstein Copilot är Salesforces avancerade AI-drivna konversationsassistent, som interagerar med ett företags anställda och kunder på naturligt språk. Anställda kan använda det för att utföra en mängd olika uppgifter i arbetsflödet, vilket hjälper till att öka produktiviteten i stor skala. Och konsumenter kan använda den för att chatta med varumärken och få frågor besvarade omedelbart, vilket leder till högre tillfredsställelse och lojalitet. Einstein Copilot använder LLM för språkkunskaper som förståelse och innehållsgenerering och även som en resonemangsmotor för att planera för komplexa uppgifter, och därigenom minska den kognitiva belastningen på användarna.

Så här funkar det:

1. Användaren skriver in det mål de vill uppnå, till exempel: "Bygg en webbsida."
2. Einstein Copilot använder en utvald uppmaning för att skicka användarinmatning till en säker LLM för att sluta sig till användarens avsikt.
3. Baserat på avsikten skickar Einstein Copilot ytterligare en kurerad uppmaning för att instruera LLM att skapa en plan för att uppfylla denna avsikt.
4. Den genererade planen är en uppsättning åtgärder kedjade samman i en logisk sekvens. För att säkerställa att Einstein Copilot agerar på ett tillförlitligt sätt, instrueras LLM att generera planer strikt med åtgärder som är tillgängliga för den.
5. När LLM returnerar en plan, utför Einstein Copilot åtgärderna i den föreskrivna sekvensen för att generera ett önskat resultat och vidarebefordrar det till användaren.

Visuellt ser det ut som...

Einstein Copilot ger företag möjligheten att utnyttja LLM:er som resonemangsmotorer. Med det här verktyget kan företag använda AI för att utföra ett antal uppgifter som inte var realistiska för bara några månader sedan.

• Om ett säljteam ser en tunn pipeline kan Einstein Copilot skanna databaser för att hitta potentiella kunder av hög kvalitet som är värda att engagera sig.
• Copilot kommer att skanna potentiella affärer för att hitta de som är i riskzonen och kan, om du tillfrågas, sammanfatta uppgifterna för chefer.
• Copilot kan hjälpa serviceagenter att lösa ett överfaktureringsproblem för en kund och samla in rätt information för felsökning.
• Copilot kan analysera nuvarande kundsentiment för en potentiell affär och rekommendera de åtgärder som krävs för att avsluta affären under de kommande tre månaderna.

I dessa användningsfall och många andra liknande dessa agerar Einstein Copilot i huvudsak som en semi-autonom agent, använder LLMs som resonemangsmotorer och vidtar åtgärder för att utföra uppgifter när användarna uppmanas till det. Detta är bara början; nästa gräns är att göra Einstein Copilot helt autonom så att den inte bara är hjälpsam utan proaktiv och allestädes närvarande. AI har en spännande framtid, men ännu mer spännande är resultaten av global effektivitet som säkerligen kommer.