Проблема неэффективности в современных ИИ-системах
Разработка сложных ИИ-агентов (программ, способных самостоятельно выполнять задачи) требует объединения множества моделей и внешних инструментов. Однако существующие методы развертывания таких систем часто приводят к огромным потерям энергии и вычислительных ресурсов. Разработчикам приходится вручную настраивать каждый компонент, что крайне трудоемко и не гарантирует оптимального результата.
Эта проблема становится особенно острой по мере того, как агентные рабочие процессы (agentic workflows) становятся основой облачных сервисов. Без интеллектуальной оптимизации такие системы потребляют слишком много энергии, увеличивая как экологический след, так и финансовые затраты облачных провайдеров.
Решение от MIT и Microsoft: система Murakkab
Исследователи из MIT и Microsoft Azure представили новую систему под названием Murakkab (с урду — «композиция» или «сочетание»). Ее главная цель — автоматизировать проектирование и развертывание многошаговых рабочих процессов ИИ. Система позволяет разработчикам описывать желаемый результат простым языком, не вдаваясь в технические детали реализации.
Murakkab самостоятельно определяет, какие модели и инструменты лучше всего подходят для задачи, а также выбирает оптимальную конфигурацию оборудования в облаке. Система динамически адаптируется под приоритеты пользователя: можно настроить ее на минимизацию затрат, максимальную скорость или баланс между ними.
Как работает интеллектуальная оптимизация
В отличие от традиционных методов, где разработчик должен заранее жестко прописать порядок действий и выбор «железа», Murakkab принимает решения в реальном времени. Платформа анализирует доступные модели, даже если они появились недавно, и автоматически интегрирует их в рабочий процесс. Это избавляет программистов от необходимости переписывать код при выходе новых версий ИИ-моделей.
Ключевое преимущество технологии — видимость для облачного провайдера. Murakkab предоставляет поставщикам облачных услуг четкое представление о том, как распределить вычислительные ресурсы между множеством пользователей, обеспечивая максимальную эффективность дата-центров без нарушения ограничений, установленных клиентами.
Результаты тестирования: экономия до 73% энергии
Тестирование системы на задачах анализа видео и генерации кода показало впечатляющие результаты. По сравнению с традиционными подходами, Murakkab сократила потребность в вычислительных единицах примерно на 65%, что привело к значительному снижению энергопотребления. В некоторых сценариях система использовала лишь 27% от обычного объема энергии, сохраняя при этом качество результатов.
Интересно, что оптимизация иногда находила неочевидные решения. Например, система выявила идеальную конфигурацию для выбора кадров видео, что вручную разработчику определить было бы практически невозможно. При этом снижение точности работало в пределах 2%, что является приемлемой ценой за десяткратное снижение энергозатрат.
Значение для индустрии ИИ
- Экологичность: Снижение углеродного следа от работы больших ИИ-моделей.
- Доступность: Упрощение разработки сложных ИИ-приложений для обычных программистов.
- Экономия: Значительное сокращение расходов на облачные вычисления для бизнеса.
Исследование, представленное на симпозиуме USENIX, подчеркивает важность перехода от ручного управления ресурсами к полностью автоматизированным системам оркестровки. По мере роста сложности ИИ-агентов, такие инструменты, как Murakkab, станут необходимыми для устойчивого развития отрасли.