Исследователи из Массачусетского технологического института (MIT) совместно с Microsoft разработали систему Murakkab, предназначенную для оптимизации создания и развертывания многошаговых ИИ-приложений. Эта платформа позволяет разработчикам описывать желаемый результат простым языком, после чего система автоматически подбирает необходимые модели, инструменты и аппаратные конфигурации. Это важный шаг к тому, чтобы сделать сложные ИИ-решения более доступными, дешевыми и энергоэффективными.
Person at laptop, with floating AI-app buttons and charts.
Агентные рабочие процессы (agentic workflows) стремительно становятся основой облачных ИИ-сервисов. В отличие от одиночных запросов к одной нейросети, такие процессы объединяют несколько автономных ИИ-агентов, внешние базы данных и программные инструменты для решения комплексных задач — например, для анализа видео с последующими ответами на вопросы. Однако проектирование таких систем вручную крайне неэффективно. Разработчикам приходится жестко задавать последовательность действий, выбирать конкретные модели и пытаться угадать оптимальные настройки оборудования. Из-за огромного количества возможных комбинаций это часто приводит к избыточному выделению ресурсов, потере времени и перерасходу энергии.
Система Murakkab (в переводе с урду — «композиция») решает эту проблему за счет динамической оркестрации. Разработчику достаточно сформулировать высокоуровневую цель. Платформа сама определяет, какие компоненты лучше использовать, какие задачи можно выполнять параллельно, а какие — последовательно. При развертывании в облаке система адаптирует конфигурацию под конкретные приоритеты пользователя: минимизацию задержки, снижение стоимости или сохранение максимальной точности. В ходе тестирования на задачах генерации кода и анализа видео Murakkab показала впечатляющие результаты: системе потребовалось лишь около 35 процентов вычислительных ресурсов по сравнению с традиционными методами. При этом потребление энергии составило 27 процентов, а финансовые затраты снизились более чем в четыре раза, сохранив требуемый уровень производительности.
A datacenter with ephemeral glowing blue boxes.
Для индустрии это означает постепенный отказ от ручной настройки инфраструктуры под каждую ИИ-задачу. Сложность современных моделей (LLM) и их интеграций достигла того уровня, когда человек физически не может просчитать все варианты оптимизации. Murakkab не только снимает эту нагрузку с инженеров, но и дает облачным провайдерам необходимую прозрачность. Провайдеры могут более эффективно распределять вычислительные мощности между множеством клиентов, избегая простоев оборудования и снижая общую углеродную нагрузку дата-центров.
В будущем подобные системы автоматической оркестрации станут стандартом для развертывания любых серьезных ИИ-продуктов. Исследователи планируют масштабировать Murakkab для работы с еще более сложными рабочими процессами и крупными вычислительными кластерами. По мере появления новых аппаратных ускорителей и алгоритмов, разработчикам больше не придется переписывать архитектуру своих приложений — интеллектуальные платформы будут внедрять эти инновации на лету.