A Meta szervezeti „második agyat” épít, amely szakértőktől tanul
A Meta olyan AI-ügynököt fejlesztett, amely egy adott szakterület másodlagos szakértőjeként működik. A rendszer a szakértői javításokat ellenőrzött, regressziótesztelt frissítésekké alakítja anélkül, hogy újra kellene tanítani az alapul szolgáló modellt.
- A Meta egy adott szakterület másodlagos szakértőjeként működő AI-ügynököt fejlesztett.
- A rendszer több mint 200, strukturált tudásfájlt használ.
- A tudásrendszer különválik az elemzési eljárásokat leíró receptektől.
- A szakértői visszajelzések modell-újratanítás nélkül kerülhetnek be a rendszerbe.
- A megközelítést a Meta pénzügyi, biztonsági és mérnöki területekre is kiterjeszthetőnek tartja.
A cél az intézményi tudás megőrzése
A Meta szerint a nagy szervezetekben a legértékesebb szaktudás gyakran az emberek fejében marad. Bár modellek, kézikönyvek, ellenőrzőlisták és keretrendszerek formájában sok információt rögzítenek, ritkán kerül tartós, mások által is felhasználható formába az, hogy a szakértők miként gondolkodnak, mit részesítenek előnyben, és hogyan kezelik a bizonytalan eseteket.
Ez különösen fontos megfelelőségi területeken, ahol hasonló kérdések több száz termékértékelésben is felmerülhetnek. A Meta leírása szerint a szakértői vizsgálatok napokig tartó manuális kutatást igényelhetnek, az eltérő értékelések pedig szervezeti kockázatot jelenthetnek. Az ismétlődő kérdések megválaszolása közben a szakértők kevesebb időt fordíthatnak azokra az új és kétértelmű problémákra, ahol az ítélőképességük a legfontosabb.
Külön kezeli a tudást és a gondolkodást
A megoldás központi eleme egy strukturált, ellenőrizhető tudásrendszer. A Meta több mint 200 fájlt rendezett szigorú taxonómiába. A pozíciófájlok a szervezet hivatalos álláspontjait rögzítik, a taxonómiai és szókészletfájlok az egységes fogalomhasználatot biztosítják, az útválasztási indexek pedig meghatározzák, mely álláspontok és eljárások alkalmazhatók egy adott bemenetre.
A rendszer kapufájljai megakadályozzák, hogy az ügynök olyan elemzési területre lépjen, amelyhez nem teljesülnek a szükséges feltételek. Minden fájl YAML formátumú fejlécben jelöli függőségeit és felhasználóit, így egy módosítás hatása nyomon követhető a kétirányú függőségi gráfban. A Meta szerint ez az automatizált frissítések biztonságosabb kezeléséhez szükséges.
A gyakran használt, nagy információsűrűségű tudás a kurált wikibe kerül. A ritkábban szükséges, helyzetfüggő anyagokat, például részletes termékleírásokat, korábbi döntési rekordokat és külső háttéranyagokat szemantikus vagy lexikális kereséssel, RAG-rendszeren keresztül éri el az ügynök. Így a rendszer alapvető gondolkodása a legfrissebb szervezeti tudásra támaszkodik, miközben szükség esetén további bizonyítékokat is kereshet.
A szakértői visszajelzés tartós frissítéssé válik
A Meta a tudásfájlokat deklaratívnak, az elemzési eljárásokat pedig imperatívnak tekinti. Az utóbbiakat „recepteknek” nevezi. Ezek több lépésből álló munkafolyamatokat írnak le: mit kell először megvizsgálni, mely tudásfájlokat kell betölteni, milyen döntési eljárást kell követni, és mikor tekinthető késznek az elemzés.
A szétválasztás lehetővé teszi a hibák pontosabb azonosítását. Ha egy szervezeti álláspont hibás, a tudásfájlt kell módosítani. Ha az elemzési módszerrel van probléma, a receptet lehet javítani, a tudásfájlok megváltoztatása nélkül. A rendszer értékelési keretrendszere minden módosítást ellenőriz, a fejlesztési hurok pedig a szakértői visszajelzést a tudás- és gondolkodási réteg frissítésébe táplálja vissza.
A Meta szerint így egy egyszeri szakértői korrekció állandó, felhalmozódó intézményi emlékezetté válhat. A vállalat a mintát olyan vállalati területekre is általánosíthatónak tartja, mint a pénzügy, a biztonság és a mérnöki munka, amennyiben ezek tudása visszakereshető szövegekben kezelhető.
Engineering at Meta: An Organizational Second Brain: Building an AI That Learns From Experts
