fost-nepal.org – Sistem kecerdasan buatan multi-agen saat ini menghadapi tantangan dalam komunikasi, karena interaksi melalui teks dapat menambah waktu tunggu, biaya token, dan menyulitkan pelatihan sistem secara keseluruhan. Untuk mengatasi permasalahan ini, peneliti dari Universitas Illinois Urbana-Champaign dan Universitas Stanford mengembangkan RecursiveMAS, sebuah kerangka kerja yang memungkinkan agen untuk berkolaborasi dan mengirim informasi melalui ruang embedding alih-alih teks. Pendekatan ini tidak hanya meningkatkan efisiensi, tetapi juga performa secara signifikan.

Dalam percobaan, RecursiveMAS menunjukkan peningkatan akurasi dalam berbagai domain kompleks, termasuk pengkodean, pemecahan masalah medis, dan pencarian. Sistem ini memanfaatkan model yang lebih murah untuk dilatih dibandingkan metode fine-tuning standar, sehingga memberikan solusi yang hemat biaya dan skalabel untuk sistem multi-agen yang kustom.

Sistem multi-agen membantu menyelesaikan tugas-tugas kompleks yang sulit ditangani oleh sistem tunggal. Namun, skala sistem multi-agen di dunia nyata memerlukan kemampuan untuk berkembang dan beradaptasi dengan berbagai skenario. Pendekatan recursive yang diterapkan dalam RecursiveMAS memungkinkan setiap agen berfungsi dalam arsitektur yang saling terhubung, menghasilkan representasi laten yang terus menerus mengalir tanpa menghasilkan teks di setiap langkah.

Setelah diuji pada sembilan tolok ukur di bidang sains, kedokteran, dan pengkodean, RecursiveMAS menunjukkan rata-rata peningkatan akurasi sebesar 8.3% dibandingkan dengan baseline terkuat lainnya. Selain itu, sistem ini mencapai percepatan inferensi antara 1.2 hingga 2.4 kali lipat serta efisiensi token yang jauh lebih baik. Dengan kemampuan untuk mengurangi biaya pelatihan, RecursiveMAS diharapkan dapat mengoptimalkan alur kerja agen multi-langkah dalam lingkungan produksi, memungkinkan adopsi di tingkat perusahaan tanpa beban komputasi yang tinggi.