Az előadó arról mesél, milyen kihívásokkal szembesül, amikor mesterséges intelligencia (AI) ügynökökkel és játékokkal, illetve ezek tesztelésével kísérletezik. Közben valós idejű tanulási folyamatokat vizsgál. Felveti, hogy az AI-ügynökök által irányított tesztek egy idő után kockázatossá válnak, főleg, ha ezek közvetlen hozzáférést kapnak az adatbázisokhoz, amelyek egy adott alkalmazás állapotát, felhasználóit, tranzakcióit vagy játékvilágát tartalmazzák.
Az egyik fő probléma, hogy az AI-ügynökök, amikor ugyanazzal az adatbázissal dolgoznak, könnyedén megzavarhatják egymás munkáját, ami hibákhoz, adatvesztéshez vagy torz tapasztalatokhoz vezethet. A hagyományos szoftverfejlesztésben bevett verziókezelés az adatbázisok terén eddig nem volt egyszerűen elérhető.
Bemutat egy saját projektet, amelyben különböző nagy nyelvi modellek tanulását vizsgálja játékos szimulációban. A fejlődés követése során ráébred, hogy egy AI-ügynök hibás működése miatt véletlenül a valaha elért legjobb megoldást biztosította kezdetként az összes többi modellnek is – ezzel érvénytelenítve a kísérletet.
Ez az élmény vezeti el ahhoz a felismeréshez, hogy az AI-ügynökök számára ideális lenne, ha saját, eldobható adatbázis-másolatokkal dolgozhatnának. Így minden ügynök elkülönített világot kapna, ahol kísérletezhet, a kártékony vagy hibás változtatások pedig nem hatnak ki a fő rendszerre. Ezzel a folyamatok kreativitása és biztonsága is nőhet.
Felvetődik a kérdés, hogy mire lesz szükség ahhoz, hogy a kód utáni kreatív, ügynökalapú fejlesztés az adatbázisok szintjén is biztonságosabbá és rugalmasabbá váljon. Vajon milyen workflow-k jönnek létre, ha minden ügynök saját ‘világot’ kap? Hogyan segíthet ebben egy olyan megoldás, mint a Ghost, amely az AI-ügynökökre és a verziózott adatbázisokra épít?
