Смешанная Команда321: коллективный уровень
BizOpsDev321 - проверенная основа. Взрывной рост ИИ и внешних угроз требует быстрого перехода через -Vibe- к -Agents-. Пять коротких постов о том, чем это обосновано
Лучшая модель операционного уровня - малая автономная команда с общим Когнитивным Облаком (КО): коллективными знаниями, навыками и отношениями. Она:
- самая устойчивая;
- самая эффективная;
- масштабируется и на расширение, и на сжатие без потери управляемости.
Это установлено и практикой BizOpsDev321 за 35+ лет, и теорией систем и команд - от Деминга до наших дней.
Управляющая иерархия и лидерство первых лиц при этом остаются. При любой форме организации в целом её устойчивость определяет операционный уровень, и он должен быть соответствующим.
Взрывной рост ИИ и внешних угроз - отключений сервисов, санкций, недоступности облачных провайдеров - требует быстрого перехода. Через -Vibe-, где код пишут ИИ-ассистенты, к -Agents-, где ИИ-агенты становятся участниками команды.
Почему агенты встраиваются
Теория самоулучшающихся агентов существует с 1990-х: модель мира и искусственное любопытство Юргена Шмидхубера, машина Гёделя. Последние два года подтвердили её на практике: агенты переписывают свой код и поднимают результат в два с половиной раза.
ИИ оказался довольно близкой копией человеческого интеллекта: ошибается, фантазирует, учится в работе. Поэтому агентам не нужна новая организация. Они встраиваются в ту социальную практику, которая уже работает с людьми. В Команде321 она готова: пользовательские контрольные примеры (ПКП), Кольцо автотестов, КО.
Чем обосновано
- Система - не сумма частей. Результат команды рождается в связях и выше, чем у лучшего участника.
- Рой ошибается хором. Силу даёт не число агентов, а рой сыгранных малых команд: связей внутри много, между командами мало, и проверка снаружи.
- Экипаж - первая ступень. Команда начинает со стандартных ролей и дальше сама развивает КО.
- Команда предсказуемее одиночки. Внутри - живое движение, снаружи - ровный и устойчивый результат, в том числе в хаосе.
«На порядок» - в чём
В размере и цене. 15 копий модели Llama2-13B с голосованием догоняют Llama2-70B. Своя модель на 7-30 млрд параметров в десятки раз меньше универсальной DeepSeek-V3 на 671 млрд, а на своём участке не уступает ей: в исследовании LoRA Land 224 дообученные модели из 310 обошли GPT-4 на своих задачах.
Как измеряем результат
- время до решения и доля вопросов, решённых с первого обращения;
- результат команды против её лучшего участника на тех же задачах;
- доля задач, закрытых своими моделями без внешних;
- оценки клиентов и сотрудников;
- размер харнеса - обвязки агента из инструкций и инструментов: со временем он худеет, опыт уходит в веса своей модели.
Порог входа минимальный: один участок, команда из 2-3 специалистов, пара агентов и своё оборудование.
Источники
- Jürgen Schmidhuber. Artificial Curiosity & Creativity Since 1990–91; Gödel Machines (2003)
- Li et al. More Agents Is All You Need (TMLR, 2024)
- Zhao et al. LoRA Land: 310 Fine-tuned LLMs that Rival GPT-4 (2024)
- DeepSeek-AI. DeepSeek-V3 Technical Report (2024)
- Practice321. BizOpsDev321: справочник