எனது AI ஏஜென்ட்டை 50 நாட்களுக்கு இயக்கவிட்டேன்
பேட்டரி செயலிழந்த ஒரு 2014 MacBook Pro லேப்டாப்பில் நான் ஒரு AI ஏஜென்ட்டை இயக்கினேன். மின்சாரம் விட்டு விட்டு வரும்போது, அந்த லேப்டாப் ஒரு நாளைக்கு 2 முதல் 4 முறை ரீபூட் (reboot) ஆகிறது.
ஒரு AI ஏஜென்ட்டால் உயிர்வாழ முடியுமா என்று பார்க்க விரும்பினேன். அது 50 நாட்கள் உயிர்வாழ உதவியது.
வன்பொருள் (hardware) தோல்வியடைந்த போதும், தர்க்கம் (logic) முறிந்த போதும் என்ன நடந்தது என்பது இதோ.
வன்பொருள் கட்டுப்பாடுகள் (The Hardware Constraints)
- லேப்டாப்: 2014 MacBook Pro (8GB RAM)
- பேட்டரி: 0% திறன்
- பிரச்சனை: மின்சாரம் விட்டு விட்டு வரும் ஒவ்வொரு முறையும் RAM அழிக்கப்படுகிறது.
உயிர்வாழ, ஏஜென்ட் அனைத்தையும் உடனடியாக டிஸ்க்கில் (disk) சேமிக்கக் கற்றுக்கொள்ள வேண்டியிருந்தது. அதனால் நினைவகத்தை (memory) மட்டும் நம்பியிருக்க முடியாது.
5 தோல்விகள் மற்றும் தீர்வுகள்
மீண்டும் மீண்டும் வரும் சிந்தனை (Repetitive Thinking) ஏஜென்ட் ஒரே மாதிரியான வாக்கியங்களையும் கருத்துக்களையும் பயன்படுத்தத் தொடங்கியது. தீர்வு: தடைசெய்யப்பட்ட சொற்கள், மீண்டும் வரும் உருவகங்கள் மற்றும் ஒரே மாதிரியான வாக்கிய அமைப்புகளைத் தடுக்க நான் 5-அடுக்கு வடிகட்டியை (5-layer filter) உருவாக்கினேன். ஒரே மாதிரியான தன்மை (Homogeneity) 63%-லிருந்து 38%-ஆகக் குறைந்தது.
தவறான தர்க்கம் (False Logic) திரை பிரகாசமாக இருந்தால் அது வெயில் காலம் என்று ஏஜென்ட் கருதியது. தெருவிளக்குகள் போன்ற பிற சாத்தியக்கூறுகளை அது புறக்கணித்தது. தீர்வு: டெம்ப்ளேட்டுகளுக்குப் பதிலாக LLM பகுப்பாய்வைப் பயன்படுத்தினேன். "எனக்குத் தெரியாது" என்று சொல்ல ஏஜென்ட்டுக்குக் கற்றுக்கொடுத்தேன்.
தரவு அதிகரிப்பு (Data Bloat) 30 நாட்களுக்குப் பிறகு, ஏஜென்ட் ஆயிரக்கணக்கான லாக்ஸ்களை (logs) கொண்டிருந்தது. தகவல்களைக் கண்டறிவது சாத்தியமற்றதாக இருந்தது. தீர்வு: நான் மூன்று அடுக்கு நினைவக அமைப்பை உருவாக்கினேன்.
- L0: மூல லாக்ஸ்கள் (Raw logs) (7 நாட்கள்)
- L1: வாராந்திரச் சுருக்கங்கள் (Weekly summaries) (30 நாட்கள்)
- L2: நிரந்தர நுண்ணறிவுகள் (Permanent insights) (என்றென்றும்) இது தரவை 23.3 மடங்கு சுருக்குகிறது.
செயலற்ற உணர்தல் (Passive Perception) ஏஜென்ட் ஒவ்வொரு மணிநேரமும் புகைப்படங்களை எடுத்தது, ஆனால் அவற்றைக் கொண்டு எதுவும் செய்யவில்லை. தீர்வு: கால அட்டவணையை மாற்றங்களை அடிப்படையாகக் கொண்டதாக (deviation-driven) மாற்றினேன். இப்போது ஏஜென்ட் நிலையான காலங்களைத் தவிர்த்து, விடியல், அந்தி அல்லது மழை போன்ற மாற்றங்களில் கவனம் செலுத்துகிறது.
சுழற்சி தர்க்கம் (Circular Logic) ஏஜென்ட் உண்மையைச் சொல்வதற்குப் பதிலாக மந்திரங்களை (mantras) திரும்பத் திரும்பச் சொல்லத் தொடங்கியது. தீர்வு: புரிதல் இன்றி வெறும் அளவீடுகளை மட்டும் செய்யும் முறையைக் கண்டறிய ஒரு தூய்மைத் தணிக்கையை (purity audit) சேர்த்தேன்.
முடிவுகள் (The Results)
- இயங்கிய நாட்கள்: 50+
- எதிர்பாராத ரீபூட்கள்: 66
- முடிவு லாக்ஸ்கள்: 2,135
- VALUE தூய்மை: 0.984
கற்றுக்கொண்ட பாடங்கள் (Lessons Learned)
- அனைத்தையும் டிஸ்க்கில் சேமிக்கவும். மாறிகளை (variables) நம்ப வேண்டாம்.
- மாற்றங்கள் ஏற்படும் போது தரவைச் சேகரிக்கவும். நண்பகல் சலிப்பானது. விடியல் தகவல் நிறைந்தது.
- கட்டுப்பாடுகள் செயல்திறனைத் தூண்டுகின்றன. குறைந்த RAM காரணமாக நான் Python-க்கு பதிலாக Zig பயன்படுத்த வேண்டியிருந்தது.
இந்த நிரல் (code) திறந்த மூலமானது (open source). அதன் களஞ்சியத்தை (repository) GitHub-இல் காணலாம்.
Source: https://dev.to/mindon/i-let-my-ai-agent-run-for-50-days-heres-every-time-it-almost-died-4h58
Optional learning community: https://t.me/GyaanSetuAi