ஏன் பெரும்பாலான AI ஏஜென்ட்கள் அளவுக்கு அதிகமாக வடிவமைக்கப்படுகின்றன (Overengineered)

AI ஏஜென்ட்கள் எங்கும் நிறைந்திருக்கின்றன. ஏஜென்ட் கூட்டங்கள் (agent swarms), தன்னாட்சி குழுக்கள் (autonomous teams) மற்றும் சுய முன்னேற்ற அமைப்புகளை (self-improving systems) நீங்கள் காண்கிறீர்கள். ஒவ்வொரு வாரமும், அடுத்த தலைமுறை AI-ஐ உருவாக்க ஒரு புதிய கட்டமைப்பு (framework) வாக்குறுதி அளிக்கிறது.

AI பணிப்பாய்வுகளை (workflows) ஆய்வு செய்த பிறகு, எனக்கு ஒரு எளிய முடிவு கிடைத்துள்ளது. பெரும்பாலான AI ஏஜென்ட்கள் அளவுக்கு அதிகமாக வடிவமைக்கப்பட்டுள்ளன (overengineered).

ஏஜென்ட்கள் பயனற்றவை அல்ல. இருப்பினும், பல உருவாக்குநர்கள் எளிய முறைகளைப் பயன்படுத்தக்கூடிய இடங்களிலும் ஏஜென்ட்களைக் கொண்டே சிக்கல்களைத் தீர்க்க முயல்கிறார்கள்.

இந்தத் துறை சிக்கலானவற்றையே விரும்புகிறது

PDF-களைப் படித்து, தரவுகளைப் பிரித்தெடுத்து, கேள்விகளுக்குப் பதிலளிக்கும் ஒரு அமைப்பை நீங்கள் உருவாக்க விரும்புகிறீர்கள் என்று கற்பனை செய்து பாருங்கள். பல உருவாக்குநர்கள் ஆறு ஏஜென்ட்கள், பல ப்ராம்ப்ட்கள் (prompts) மற்றும் ஸ்டேட் மேனேஜ்மென்ட் (state management) கொண்ட ஒரு சிக்கலான கட்டமைப்பை உருவாக்குகிறார்கள். இது பல தலைவலிகளை ஏற்படுத்துகிறது.

அதே சிக்கலை ஒரு எளிய வரிசைமுறையிலேயே பெரும்பாலும் தீர்க்க முடியும்:

  • PDF to Chunk
  • Chunk to Embed
  • Embed to Vector DB
  • LLM to Response

சில நேரங்களில் ஒரு பணிப்பாய்வு (workflow) போதுமானது. உங்களுக்கு ஒரு ஏஜென்ட் ராணுவம் தேவையில்லை.

பணிப்பாய்வுகள் பெரும்பாலான சிக்கல்களைத் தீர்க்கின்றன

பெரும்பாலான AI பயன்பாடுகள் தீர்மானிக்கப்பட்டவை (deterministic). அவை ஒரு குறிப்பிட்ட வரிசைமுறையைப் பின்பற்றுகின்றன. உதாரணங்கள்:

  • Document Q&A
  • Customer support
  • Meeting summaries
  • Blog generation
  • Code review

இவை பணிப்பாய்வுகள் (workflows), தன்னாட்சி அமைப்புகள் (autonomous systems) அல்ல. பணிப்பாய்வுகளை பிழைதிருத்தம் (debug) செய்யவும், விரிவாக்கம் (scale) செய்யவும், பராமரிக்கவும் மற்றும் விளக்கவும் எளிது.

ஏஜென்ட்கள் மறைமுகச் செலவுகளை உருவாக்குகின்றன

ஒவ்வொரு புதிய ஏஜென்ட்டும் புதிய சிக்கல்களைச் சேர்க்கிறது:

  • அதிக ப்ராம்ப்ட்கள் காரணமாக அதிக டோக்கன் செலவுகள் (token costs)
  • கூடுதல் படிகளால் அதிக தாமதம் (latency)
  • மாயத்தோற்றங்கள் (hallucinations) ஏற்பட அதிக வாய்ப்புகள்
  • கடினமான பிழைதிருத்தம் (debugging)
  • கூடுதல் உள்கட்டமைப்புத் தேவைகள் (infrastructure needs)

ஒரு எளிய பயன்பாடு ஒரு பிரம்மாண்டமான பொறியியல் திட்டமாக மாறிவிடுகிறது.

ஏஜென்ட்கள் உண்மையில் எங்கே சிறப்பாகச் செயல்படுகின்றன

நான் ஏஜென்ட்களுக்கு எதிராக இல்லை. பின்வரும் சூழல்களில் ஏஜென்ட்கள் பயனுள்ளதாக இருக்கும்:

  • பல இணையதளங்களை ஆராய்வது போன்ற நீண்ட நேரம் இயங்கும் பணிகள்.
  • குறிப்பிட்ட தர்க்கத்தின் (logic) அடிப்படையில் முடிவெடுத்தல் தேவைப்படும்போது.
  • மனிதத் தலையீடு (human intervention) ஒரு பகுதியாக இருக்கும்போது.
  • Slack, GitHub மற்றும் மின்னஞ்சல் போன்ற பல கருவிகள் இணைந்து செயல்பட வேண்டியிருக்கும் போது.

எனது விதி

உருவாக்குநர்கள் பெரும்பாலும் நேரடியாக சிக்கலான கட்டமைப்புகளுக்குள் குதித்துவிடுகிறார்கள். அதைச் செய்வதற்கு முன், ஒரு கேள்வியைக் கேளுங்கள்: இதை ஒரு பணிப்பாய்வு (workflow) மூலம் தீர்க்க முடியுமா?

பதில் 'ஆம்' என்றால், அங்கிருந்து தொடங்குங்கள். சிக்கல் தேவைப்படும்போது மட்டுமே ஏஜென்ட்களைச் சேர்க்கவும்.

இந்தத் தத்துவத்தைப் பின்பற்றுங்கள்:

  • முதலில் பணிப்பாய்வு (Workflow).
  • இரண்டாவதாக ஏஜென்ட் (Agent).
  • இறுதியாக மல்டி-ஏஜென்ட் (Multi-agent).

சிக்கல்தன்மை என்பது புதுமை அல்ல. சிக்கல்தன்மை என்பது ஒரு செலவு. நீங்கள் எத்தனை ஏஜென்ட்களைப் பயன்படுத்துகிறீர்கள் என்பதைப் பயனர்கள் கவலைப்படுவதில்லை. கருவி சரியாக வேலை செய்கிறதா என்பதையே அவர்கள் கவனிப்பார்கள். எளிமை என்பது ஒரு சிறப்பம்சம் (feature).

ஆதாரம்: https://dev.to/jaideepparashar/why-i-think-most-ai-agents-are-overengineered-249o