Als ersten wichtigen Meilenstein auf unserer Reise hin zu einer neuen Generation von AI-Systemen haben wir eine Stand-alone Reasoning Engine entwickelt, die in Kombination mit existierenden AI-Sprachmodellen der GPT4-Klasse in der Lage ist, komplexe Aufgaben eigenständig und mit hoher Zuverlässigkeit zu lösen.
Allgemeines Reasoning
Einbettung von Wissen
Function Calling
Übersicht
Allgemeines Reasoning
Einbettung von Wissen
Function Calling
Übersicht
Die Symbiose aus Transformer- und AI MicroWorker®-Architekturen hebt die Leistungsfähigkeit von maschinellem ‚Verstehen‘ und ‚Denken‘ auf eine neue Stufe. Der Ansatz kann als dynamisches, adaptives Reasoning betrachtet werden, welches zur Laufzeit stattfindet (Runtime Compute). Das maximiert die Generalisierbarkeit, minimiert den Ressourcen-Verbrauch und liefert Schritt für Schritt transparente und nachvollziehbare Ergebnisse.
Ein besonderer Fokus liegt auf der Ressourcen-Effizienz des Ansatzes, da im Gegensatz zu dem so genannten ‚Test Time Compute‘ keine parallelen Lösungswege generiert werden, sondern ein einziger Lösungsweg dynamisch erzeugt und durchlaufen wird. Das reduziert den Bedarf an Hardware und Strom auf drastische Weise.
Bionic Reasoning bietet einen vielversprechenden Ansatz zur schnellen, ressourcenschonenden und zielgerichteten Skalierung von AI-Technologie in Richtung sicherer und zuverlässiger Super-Intelligenzen. Gleichwohl stehen wir aktuell noch am Anfang, um die wahren Potenziale und Grenzen dieses innovativen Technologie-Ansatzes systematisch auszuloten und zu verstehen.
In dem nachfolgenden Video siehst Du, wie unser System (auf Grundlage der embracableONE Reasoning Engine im Verbund mit einem europäisch gehosteten Standard Llama3.1 405B-Modell) ein Logik-Rätsel eigenständig über einen mehrstufigen Prozess hinweg löst. Das Sprachmodell alleine ist nachweislich nicht in der Lage, diese Aufgabe zuverlässig zu lösen.
Die embraceableONE Reasoning Engine übernimmt in unseren Systemen Aufgaben, die im menschlichen Gehirn vom so genannten präfrontalen Cortex übernommen werden. Die Engine basiert auf der innovativen AI MicroWorker®-Architektur, die aus dem Zusammenspiel unterschiedlicher Microservices zur Automatisierung der Sprachmodell-Interaktion besteht.
In diesem wechselseitigen Zusammenspiel aus Neuronalen Netzen und modernem Software-Engineering ist die Reasoning Engine in der Lage, eigenständig Denk-, Validierungs- und Abwägungs-Prozesse zu durchlaufen und entsprechende Schlussfolgerungen zu generieren.
Die Kombination bietet herausragende intellektuelle Leistungsfähigkeit und Zuverlässigkeit und macht die embraceableONE Engine zu einem Schlüssel, um Advanced Intelligence in geschäftskritische Prozesse und regulierte Umgebungen zu bringen.
Komplexe Aufgaben werden in einzelne Sub-Aufgaben zerlegt.
Jede Sub-Aufgabe wird mit individuellem Wissens kontextualisiert.
Das Wissen wird im Kontext der konkreten Sub-Aufgabe interpretiert.
Die individuelle Interpretation wird auf inhaltlicher Ebene plausibilisiert.
Nach erfolgreicher Plausibilisierung erfolgt eine formale Validierung gegen individuell konfigurierbare Verhaltens-Richtlinien.
Nach erfolgreicher Validierung wird die finale Schlussfolgerung gezogen und das Ergebnis an die nächste Sub-Aufgabe übergeben.
Die schrittweise Aufbereitung und strukturierte Ablage von veredeltem Wissen ist eine wichtige Voraussetzung für so genanntes ‚Grounding‘: auf diese Weise kann das Allgemeinwissen aus den AI-Sprachmodellen um relevante Fakten und individuelles Spezialwissen ergänzt werden.
Auf die gleiche Weise werden die für die Automatisierung von Prozessen / Agentic Workflows zu beachtenden Gesetze, regulatorischen Vorgaben und individuellen Unternehmens-Richtlinien sicher und zuverlässig eingebunden.
Auf der Grundlage fortgeschrittener Retriever-Logiken werden die Wissens-Artefakte Kontext-spezifisch abgerufen und in Rahmen des Reasoning-Prozess punktgenau eingebunden und interpretiert.
Unstrukturierte Informationen werden Struktur- und Kontext-sensitiv extrahiert und bei Bedarf für die weitere Verarbeitung bereinigt.
Auf der Basis von Ontologie-Strukturen werden Roh-Informationen schrittweise zu Wissens-Fragmenten angereichert.
Die angereicherten Wissens-Fragmente werden in einem für AI-Systeme „Abruf-freundlichen“ Format abgelegt.
Die systematische Vernetzung einzelner Wissens-Fragmente resultiert in hochwertigem, verdichteten Wissen.
AI-Sprachmodelle sind eine wichtige aber letztendlich austauschbare Commodity-Komponente unserer Systeme. Dank unseres Multi-Source AI Paradigmas sind wir ‚Modell-agnostisch by Design‘ und ermöglichen Dir auf dieser Grundlage maximale Flexibilität und Wahlfreiheit. Das gilt im Übrigen auch für die zugrunde liegenden Compute-Infrastrukturen.
Darüber hinaus legen wir großen Wert darauf, dass keine Daten beim Modell-Betreiber persistiert werden oder gar für Modell-Training genutzt werden. Du bleibst also auch vollständig „Daten-souverän“. Mehr Flexibilität und Wahlfreiheit geht nicht!
Die embraceable Plattform kann in Kombination mit allen führenden AI-Sprachmodellen und Embedding Modellen genutzt werden.
Dank des Modell-agnostischen Ansatzes kannst Du auch problemlos quelloffene Modelle wie z.B. Llama3.1 450B oder Mixtral 7x8B benutzen.
