AI Periodic Table Explained: Mapping LLMs, RAG & AI Agent Frameworks (Рубрика AI)
Посмотрел очередное интересное обучающее видео от Martin Keen из IBM, где он пытается свести AI терминологию в понятную систему. Все из-за того, что у нас куча терминов навроде таких: "агенты", "RAG", "эмбеддинги", "гардрейлы", все эти термины летают вокруг, и от разработчиков ожидается, что они просто знают, как это всё связано, но это далеко не так просто уложить в голове. Для этого Мартин предложил свою структуру для систематизации в виде периодическиой системы ~~Менделеева~~ "AI Periodic Table". У этой таблицы, как ни странно, два измеренияя
**Строки (периоды) - этпы
- Primitives** - атомарные блоки (Prompts, Embeddings, LLMs) 2. Compositions - комбинации примитивов (RAG, Vector DBs, Guardrails) 3. Deployment - продакшн-паттерны (Agents, Frameworks, Fine-tuning) 4. Emerging - передний край (Multi-Agent, Thinking Models, Interpretability)
**Колонки (семейства)
- Reactive (реактивные)** - изменение входа → радикальное изменение выхода 2. Retrieval (поиск) - хранение и извлечение информации 3. Orchestration (оркестрация) - связывание множества компонентов 4. Validation (валидация) - безопасность и тестирование 5. Models (модели) - стабильные фундаментальные возможности
Если разбирать содержимое таблицы по колонкам, то получится интересно
Reactive Family
- Pr (Prompt) - инструкции для AI - Fc (Function Calling) - вызов внешних API/инструментов - Ag (Agent) - цикл думай-действуй-наблюдай - Ma (Multi-Agent) - коллаборация нескольких AI агентов
Retrieval Family - Em (Embeddings) - численные представления смысла - Vx (Vector Database) - хранилище для семантического поиска - Ft (Fine-tuning) - адаптация к доменным данным - Sy (Synthetic data) - синтетические данные, на которых сейчас зачастую учатся новые модели
Orchestration Family - Rg (RAG) - блок про Retrieval Augmented Generation - Fw (Framework) - платформы вроде LangChain
Validation Family - Gr (Guardrails) - runtime-фильтры безопасности - Rt (Red Teaming) - adversarial-тестирование при помощи атакующих red teams - In (Interpretability) - понимание "почему" модель именно так отрабатывает во время inference
**Models Family
- Lg (LLM)** - большие языковые модели от OpenAI, Antrhopic, Google, Alibaba, DeepSeek и других - Mm (Multi-modal) - мультмодальные модели, что позволяют обрабатывать помимо текста изображения, аудио и так далее - Sm (Small Models) - дистиллированные модели для edge и не только - Th (Thinking Models) - chain-of-thought встроен в архитектуру новых моделей
Дальше в видео Мартин рассказывает как такая картинка в голове помогает лучше укладывать информацию, а также размышлять про решение задач, связанных с AI в реальном мире. Мне концепция нравится - я сам часто размышляю визуально схемами и эта схема выглядит неплохо и хорошо укладывается в мою голову:))
Плюс мне кажется, что эту схему можно использовать при проектировании и прогонять идеи через призму таблицы. Например, когда кто-то питчит "AI-решение", можно мгновенно декомпозировать его на элементы таблицы:
- Какие элементы используются?
- Какие реакции они запускают?
- Отсутствует ли элемент безопасности (Gr)?
- Нет ли over-engineering в оркестрации?
- Подходит ли Thinking Model там, где хватило бы Small Model?
#AI #DevOps #Software #Engineering #Architecture #SystemDesign