Boris Cherny, tvorac Claude Codea, potvrdio je tijekom konferencije @Scale tvrtke Meta Platforms kako petlje (loops) nisu tek nešto o čemu je trenutno moderno pričati, već stvarni način rada s umjetnom inteligencijom.

'Prije dvije godine ručno smo napisali izvorni računalni kod. Započeli smo tranziciju tako da agenti pišu kod. A sada prelazimo na točku u kojoj agenti traže agente da zatim pišu kod.

Koliko god velik bio korak od izvornog koda do agenata, petlje su jednako važne i velik korak', rekao je Cherny, a prenosi Tech Crunch.

Ponudio je i nekoliko primjera.

Jedan agent neprestano traži načine za poboljšanje arhitekture koda, dok drugi traži duplicirane apstrakcije koje se mogu objediniti. Oni podnose zahtjeve za povlačenje kao i svaki drugi koder.

Budući se kod stalno mijenja, nikada ne prestaju raditi.

Petlja ide korak dalje

S prijelazom na agentsku umjetnu inteligenciju, fokus većine korisnika bio je na što boljem upravljanju svojim agentima: postavite jasne ciljeve, provjerite diskretne jedinice napretka i ne dopustite im da odlutaju previše dalje od upita.

Petlja ide korak dalje, ovlašćujući roj agenata za neprekidan rad u pozadini, beskonačno. U AI je potrebno puno povjerenja - ali s modelima koji se brzo poboljšavaju, to bi mogao biti sljedeći korak prema svijetu u kojem će AI preuzeti prave poslove.

To nije nešto posve novo.

Rekurzivne petlje - funkcije koje pozivaju same sebe kako bi ponovile radnju, zajedno s uvjetom koji zaustavlja petlju - temelj su uvodnih tečajeva informatike.

Ove petlje slijede nedeterminističku logiku - subagent je taj koji bira kada će zaustaviti petlju umjesto jasnog uvjeta - ali na djelu je isti osnovni pristup.

Čim su programeri počeli koristiti umjetnu inteligenciju za dovršavanje zadataka, morala se pojaviti neka verzija rekurzivne petlje, s umjetnom inteligencijom koja nadzire AI.

Za razliku od klasičnog računalstva, agentske petlje mogu biti izluđujuće jednostavne. Jedan od najpopularnijih trikova je Ralph Loop (nazvan po liku iz animirane serije Simpson Ralphu Wiggumu), koji u osnovi sažima sav posao koji je model napravio i pita je li postigao svoj cilj.

To je način rješavanja problema s AI modelima koji se gube jer rade predugo - u biti model koji skače naprijed-natrag dok zadatak ne bude obavljen.

Drugi pristup je dio općeg nastojanja za više računalnog vremena i snage.

Suvremeni modeli mogu riješiti gotovo svaki problem ako mu posvetite dovoljno računalne snage. Drugim riječima, jedan od načina kako osigurati rješavanje problema jednostavno je nastaviti računati dok ne završi.

To naročito vrijedi za probleme poput poboljšanja baze koda, gdje model može samo nastaviti s inkrementalnim poboljšanjima dok ne dosegne zadani prag.

No, to nije jeftino, a ne postoji ni gornja granica za iznos koji možete potrošiti.