استفاده هم‌زمان از چند ساب‌ایجنت هوش مصنوعی در نگاه اول باید سرعت و بهره‌وری را افزایش دهد، اما همکاری میان دو ایجنت همیشه ساده نیست. وقتی آن‌ها مجبور باشند مرتب اطلاعات را با یکدیگر ردوبدل کنند، هزینه هماهنگی می‌تواند مزیت کار گروهی را کاهش دهد و حتی کار انفرادی را به گزینه‌ای پربازده‌تر تبدیل کند.
نکات کلیدی
- دو ساب‌ایجنت هوش مصنوعی همیشه بهتر از یک ایجنت عمل نمی‌کنند.
- یک ایجنت می‌تواند کل مسئله را در Context خودش نگه دارد.
- دو ایجنت باید اطلاعات موردنیاز را پیوسته به یکدیگر منتقل کنند.
- این سربار ارتباطی با عنوان هزینه هماهنگی شناخته می‌شود.
هزینه هماهنگی دقیقاً چیست؟
وقتی یک ایجنت به‌تنهایی روی مسئله‌ای کار می‌کند، اطلاعات و مسیر کار را در Context خودش نگه می‌دارد. در چنین وضعیتی، همان ایجنت از ابتدا تا انتهای کار به زمینه‌ای که در اختیار دارد تکیه می‌کند و نیازی نیست آن را برای عامل دیگری توضیح دهد.
با اضافه‌شدن ایجنت دوم، ماجرا تغییر می‌کند. حالا دو ایجنت برای همکاری باید اطلاعات را میان خود منتقل کنند تا هر دو از وضعیت مسئله و روند انجام آن باخبر باشند. همین انتقال مداوم، بخشی از ظرفیت و فرایند کار را به هماهنگ‌شدن اختصاص می‌دهد.
چرا تعداد بیشتر همیشه بهره‌وری را بالا نمی‌برد؟
تقسیم کار میان چند ایجنت تنها زمانی مفید است که همکاری آن‌ها هزینه‌ای بیشتر از منفعت حاصل ایجاد نکند. اگر دو ساب‌ایجنت دائماً به اطلاعات یکدیگر نیاز داشته باشند، بخش قابل‌توجهی از تعاملشان صرف همگام‌سازی Context خواهد شد.
برای شما، نکته مهم این است که تعداد ایجنت‌ها به‌تنهایی معیار مناسبی برای سنجش بهره‌وری نیست. در بعضی مسئله‌ها، یک ایجنت که تمام زمینه را یک‌جا در اختیار دارد، می‌تواند از دو ایجنتی که باید پیوسته با هم ارتباط برقرار کنند، عملکرد بهتری داشته باشد.
انتخاب میان یک یا چند ایجنت
مقایسه کار انفرادی و گروهی ایجنت‌ها باید با توجه به نیاز آن‌ها به تبادل اطلاعات انجام شود. هرچه وابستگی میان بخش‌های کار بیشتر باشد، هماهنگی دو ساب‌ایجنت نیز اهمیت بیشتری پیدا می‌کند و هزینه ارتباط میان آن‌ها پررنگ‌تر می‌شود.
جمع‌بندی
چندایجنتی‌بودن همیشه به معنای بهره‌وری بیشتر نیست. گاهی ساده‌ترین چینش، یعنی سپردن کل مسئله به یک ایجنت با Context یکپارچه، از همکاری دو ساب‌ایجنت و انتقال دائمی اطلاعات میان آن‌ها نتیجه بهتری می‌دهد.