На этой неделе на Github был выпущен новый Python-фреймворк под названием Orchestral AI, предназначенный для упрощения оркестровки больших языковых моделей (LLM) для научных исследований и других приложений. По данным VentureBeat, Orchestral, разработанный теоретическим физиком Александром Романом и инженером-программистом Яковом Романом, стремится предоставить более воспроизводимую и экономичную альтернативу сложным AI-экосистемам, таким как LangChain, и комплектам разработки программного обеспечения (SDK) от одного поставщика, таких как Anthropic и OpenAI.

Фреймворк решает растущую проблему среди ученых и разработчиков, которые считают существующие AI-инструменты либо слишком громоздкими, либо слишком ограничивающими. Александр Роман заявил, что Orchestral отдает приоритет "детерминированному выполнению и ясности отладки" по сравнению с асинхронной, часто непредсказуемой природой других методов оркестровки. Этот акцент особенно важен для научных исследований, где воспроизводимость имеет первостепенное значение.

Архитектура Orchestral построена на философии "анти-фреймворка", намеренно отвергающей сложность, которая характеризует большую часть современной AI-среды. Фреймворк делает акцент на синхронных операциях и типовой безопасности, которые призваны облегчить понимание и отладку AI-воркфлоу. Этот подход контрастирует с тенденцией к все более сложным и непрозрачным AI-системам.

Рост LLM создал потребность в инструментах, которые могут эффективно управлять и оркестровать эти модели для различных задач. LangChain, например, стал популярным фреймворком для создания приложений на основе LLM. Однако его сложность может стать барьером для входа для некоторых пользователей, особенно в научных дисциплинах, где требуется больший контроль и прозрачность.

SDK от одного поставщика, предлагая простоту использования, могут привязать пользователей к экосистеме конкретного поставщика, ограничивая их гибкость и потенциально увеличивая затраты. Orchestral стремится предложить нечто среднее, предоставляя не зависящее от поставщика решение, которое позволяет пользователям использовать различные LLM, не будучи привязанными к одному поставщику.

Последствия Orchestral выходят за рамки научных исследований. По мере того, как AI все больше интегрируется в различные аспекты общества, потребность в воспроизводимых и понятных AI-системах будет только расти. Фреймворки, подобные Orchestral, которые отдают приоритет ясности и контролю, могут сыграть решающую роль в укреплении доверия и подотчетности в AI.

Разработка Orchestral отражает более широкую тенденцию к более доступным и прозрачным AI-инструментам. По мере развития AI-технологий растет признание того, что сложность не всегда является синонимом прогресса. В некоторых случаях простота и контроль могут быть более ценными, особенно в областях, где воспроизводимость и надежность имеют важное значение. Фреймворк доступен на Github, и его создатели призывают к участию сообщества open-source. Следующие шаги включают расширение возможностей фреймворка и его интеграцию с более широким спектром LLM и инструментов научных вычислений.