Kensho พัฒนาระบบ Grounding Multi-Agent ด้วย LangGraph สำหรับข้อมูล S&P Global

สวัสดีครับทุกคน! วันนี้เรามีเรื่องน่าสนใจจากโลก AI มาเล่าให้ฟังเกี่ยวกับ Kensho ซึ่งเป็นหน่วยงานนวัตกรรม AI ของ S&P Global ที่ได้พัฒนาเทคโนโลยีเจ๋งๆ ชื่อว่า "Grounding" ระบบนี้คือเฟรมเวิร์กแบบ Multi-Agent ที่สร้างขึ้นด้วย LangGraph เพื่อช่วยให้ AI สามารถเข้าถึงและใช้งานข้อมูลทางการเงินจำนวนมหาศาลของ S&P Global ได้อย่างน่าเชื่อถือและมีประสิทธิภาพ มาดูกันว่าทำไมถึงสำคัญและทำงานยังไง

Grounding คืออะไร และแก้ปัญหาอะไร?

ในยุคของ AI Agents การค้นหาข้อมูลจำนวนมหาศาลอย่างมีประสิทธิภาพ โดยเฉพาะข้อมูลที่ซับซ้อนและมีโครงสร้างเฉพาะแบบข้อมูลของ S&P Global เป็นเรื่องที่ท้าทายมากๆ ครับ Kensho ตั้งเป้าที่จะทำให้แน่ใจว่าผลลัพธ์จาก AI นั้นต้องอ้างอิงจากข้อมูลที่เชื่อถือได้เสมอ ไม่ว่าจะนำไปใช้งานที่ไหนหรืออย่างไรก็ตาม

ปัญหาหลักๆ ที่ Kensho เล็งเห็นคือ นักวิเคราะห์ทางการเงินมักจะต้องเสียเวลาหลายชั่วโมงกับการค้นหาและตรวจสอบข้อมูลที่กระจัดกระจายจากหลายระบบ เพื่อใช้ในการวิเคราะห์ผลประกอบการ, ดึงตัวชี้วัดทางการเงิน หรือทำการวิจัยตลาด

ระบบ Grounding ของ Kensho เข้ามาช่วยแก้ปัญหานี้ โดยทำหน้าที่เป็นจุดเข้าใช้งานเพียงจุดเดียว (single entry point) สำหรับการสอบถามข้อมูลด้วยภาษาธรรมชาติ (natural language queries) ไปยังชุดข้อมูลทางการเงินที่ผ่านการตรวจสอบแล้วของ S&P Global ทำให้ผู้ใช้งานไม่จำเป็นต้องเรียนรู้ภาษาคิวรีเฉพาะทางหรือทำความเข้าใจโครงสร้างฐานข้อมูลที่ซับซ้อนอีกต่อไป ทุกผลลัพธ์ที่ได้จาก Grounding จะมีการอ้างอิงกลับไปยังแหล่งข้อมูลที่เชื่อถือได้ของ S&P Global ทำให้มั่นใจได้ทั้งความถูกต้องและการปฏิบัติตามข้อกำหนดต่างๆ ครับ

LangGraph มีบทบาทสำคัญยังไง?

ทีมงาน Kensho ได้ออกแบบระบบ Grounding ให้เป็นจุดศูนย์รวมในการเข้าถึงข้อมูลสำหรับ AI Agents ของพวกเขา ซึ่ง Agents เหล่านี้จะไปดึงข้อมูลจากแหล่งข้อมูลที่หลากหลายของ S&P Global แทนที่จะฝังตรรกะการวิเคราะห์ภาษาธรรมชาติลงใน Agent แต่ละตัว Router ของ Kensho จะทำหน้าที่ฉลาดๆ ในการส่งต่อคำถามไปยัง "Data Retrieval Agents" (DRAs) ที่เชี่ยวชาญเฉพาะด้าน ซึ่งดูแลโดยทีมข้อมูลต่างๆ เช่น ทีมวิจัยตราสารทุน (equity research), ทีมตราสารหนี้ (fixed income) หรือทีมเศรษฐศาสตร์มหภาค (macroeconomics)

และนี่คือจุดที่ LangGraph เข้ามามีบทบาทสำคัญ! LangGraph เป็นหัวใจสำคัญเบื้องหลัง Router ของ Grounding มันช่วยให้:

• เข้าถึง Agents ที่หลากหลายได้ตามบริบทที่เกี่ยวข้องจากคำถามของผู้ใช้
• แบ่งคำถามใหญ่ๆ ออกเป็นคำถามย่อยๆ ที่เฉพาะเจาะจงสำหรับ DRAs แต่ละตัว
• รวบรวมคำตอบจาก DRAs หลายตัวกลับมารวมกันเป็นข้อมูลเชิงลึกที่เข้าใจง่ายและนำไปใช้งานได้จริง

การออกแบบของ LangGraph ยังช่วยให้ทีม Kensho สามารถวนซ้ำและทดสอบ Router ได้อย่างง่ายดายในเครื่อง ทำให้การพัฒนาราบรื่นและมีประสิทธิภาพครับ หากอยากรู้รายละเอียดเพิ่มเติม สามารถอ่านบทความฉบับเต็มได้ที่ LangChain Blog

ระบบโปรโตคอลข้อมูลเฉพาะตัว เพื่อความน่าเชื่อถือ

หนึ่งในความท้าทายของระบบ AI และข้อมูลแบบกระจายคือ อินเทอร์เฟซการสื่อสารที่ไม่สอดคล้องกัน ซึ่งอาจทำให้การทำงานของ Agents ไม่น่าเชื่อถือ ทีม Kensho จึงได้พัฒนาโปรโตคอล DRA ที่กำหนดเองขึ้นมา เพื่อให้มั่นใจว่าการเข้าถึงข้อมูลเป็นไปในรูปแบบที่สอดคล้องกัน โปรโตคอลนี้กำหนดรูปแบบข้อมูลทั่วไปสำหรับข้อมูลที่ส่งกลับมาทั้งหมด ไม่ว่าจะเป็นข้อมูลที่มีโครงสร้างหรือไม่ก็ตาม

การมีโปรโตคอลนี้ช่วยเร่งความร่วมมือและการแลกเปลี่ยนข้อมูลที่สอดคล้องกันทั่วทั้งระบบ Multi-Agent ของ S&P Global ทำให้ Kensho สามารถปรับใช้ผลิตภัณฑ์ AI ทางการเงินเฉพาะทางหลายอย่างได้อย่างรวดเร็ว โดยแต่ละผลิตภัณฑ์ใช้ฐานข้อมูลที่แข็งแกร่งชุดเดียวกัน ตั้งแต่ผู้ช่วยวิจัยตราสารทุนไปจนถึง Agent ที่ติดตามตัวชี้วัด ESG (Environmental, Social, and Governance) ทุกแอปพลิเคชันจะใช้เลเยอร์การเข้าถึงข้อมูลที่เชื่อถือได้เหมือนกัน ช่วยลดเวลาในการนำผลิตภัณฑ์ออกสู่ตลาดได้อย่างมาก

บทเรียนสำคัญที่ Kensho ได้เรียนรู้

จากการสร้างและปรับปรุงเฟรมเวิร์ก Grounding ทีม Kensho ได้เรียนรู้บทเรียนสำคัญหลายอย่าง ซึ่งพวกเขาหวังว่าจะช่วยองค์กรอื่นๆ ในการพัฒนาสถาปัตยกรรม Multi-Agent ที่ซับซ้อน:

1. การสังเกตการณ์ (Observability): การติดตามผล (tracing) และการกำหนดข้อมูลเมตา (metadata) อย่างละเอียดเป็นสิ่งจำเป็นอย่างยิ่งในการมองเห็นพฤติกรรมของ Agent และช่วยให้การแก้ไขข้อบกพร่องและการเพิ่มประสิทธิภาพทำได้อย่างมีประสิทธิภาพในวงกว้าง โปรโตคอลที่กำหนดเองของ Kensho ช่วยให้พวกเขาสามารถรวบรวมข้อมูลที่จำเป็นทั่วทั้งระบบ Multi-Agent ที่กระจายอยู่ และการผสานรวม LangGraph เข้ามาช่วยให้สามารถตรวจสอบและแก้ไขข้อบกพร่องได้ตั้งแต่ต้นจนจบ
2. การประเมินผลหลายขั้นตอน (Multi-stage evaluation): อุตสาหกรรมการเงินต้องการความเชื่อมั่นและความแน่นอนสูงในการดึงข้อมูลทางการเงิน การประเมินระบบ Agent แบบรวมศูนย์ต้องใช้เมทริกซ์ที่หลากหลาย ซึ่งประเมินการตัดสินใจของ Router, คุณภาพข้อมูล และความสมบูรณ์ของคำตอบในแต่ละขั้นตอนของการดึงข้อมูลแบบ Multi-Agent
3. การศึกษาและเพิ่มประสิทธิภาพโปรโตคอล (Protocol studies and optimization): ทีม Kensho วิเคราะห์รูปแบบการโต้ตอบของผู้ใช้และ Agent อย่างต่อเนื่อง เพื่อปรับปรุงโปรโตคอลที่กำหนดเอง สิ่งนี้ช่วยเพิ่มประสิทธิภาพของระบบอย่างมาก ทำให้รูปแบบเอาต์พุตเหมาะสมที่สุดสำหรับการทำความเข้าใจบริบทของ LLM โดยตรง รวมถึงการประมวลผลแบบโปรแกรม และยังคงรักษาความน่าเชื่อถือที่บริการทางการเงินต้องการ

ระบบ Grounding ของ Kensho แสดงให้เห็นถึงศักยภาพอันยิ่งใหญ่ของ AI ในการจัดการกับความซับซ้อนของข้อมูลทางการเงิน และเป็นตัวอย่างที่ดีของการนำ LangGraph มาสร้างเฟรมเวิร์ก Multi-Agent ที่แข็งแกร่งและเชื่อถือได้

อ่านต่อ: หากคุณสนใจเจาะลึกรายละเอียดทางเทคนิคเพิ่มเติมเกี่ยวกับระบบ Grounding และการนำ LangGraph มาใช้งาน สามารถอ่านบทความฉบับเต็มได้ที่ LangChain Blog ครับ