MITとマイクロソフトの研究チームが、エージェントワークフロー（複数のモデルやツールを連結して動作するAI駆動型ソフトウェアシステム）の設計と展開を最適化する「Murakkab」を開発した。開発者は技術的な仕様をハードコードする代わりに、自然言語でタスクを記述するだけで、システムが最も効率的なモデルやツールを自動的に選択する。さらにコスト、速度、精度といったユーザーの優先順位に合わせて、操作の順序やハードウェア構成を最適化する。

これまでエージェントワークフローの手動定義は、複雑で断片化されたブラックボックスモデルや多様な外部ツールにより非効率なプロセスとなっていた。この手動設定は過剰なリソース割り当てを招き、エネルギーと資本の浪費を引き起こしてきた。Murakkabは展開時に動的に構成を決定することで、クラウドプロバイダーがユーザーの制約を守りつつリソース配分をリアルタイムで調整し、効率を最大化することを可能にする。

動画の質疑応答やコード生成など多様なエージェントワークロードでのテストにおいて、Murakkabは大幅な効率化を達成した。ユーザー要件を満たしながら、従来の手法と比較して計算ユニットの約35%のみを使用し、消費電力は27%、コストは25%未満に抑えられた。特定のケースでは、元のベースラインと比べて2%以内の精度を維持しながら、消費電力を1桁以上削減した。

MITの電気工学・コンピュータ科学大学院生であるゴーハル・チョードリー（Gohar Chaudhry）が率いる研究チームは、Murakkabが複雑なワークロードをクラウドプロバイダーが可視化し、より効果的なリソース共有を実現すると強調する。このプロジェクトは、セミコンダクター・リサーチ・コーポレーションと米国国防高等研究計画局（DARPA）の支援を受けている。今後は、より複雑なワークフローや大規模な計算クラスターへの拡張を通じて、AIアプリケーションの環境負荷と経済的コストのさらなる削減を目指す。

MITとマイクロソフトの研究チームが、エージェントワークフロー（複数のモデルやツールを連結して動作するAI駆動型ソフトウェアシステム）の設計と展開を最適化する「Murakkab」を開発した。開発者は技術的な仕様をハードコードする代わりに、自然言語でタスクを記述するだけで、システムが最も効率的なモデルやツールを自動的に選択する。さらにコスト、速度、精度といったユーザーの優先順位に合わせて、操作の順序やハードウェア構成を最適化する。

これまでエージェントワークフローの手動定義は、複雑で断片化されたブラックボックスモデルや多様な外部ツールにより非効率なプロセスとなっていた。この手動設定は過剰なリソース割り当てを招き、エネルギーと資本の浪費を引き起こしてきた。Murakkabは展開時に動的に構成を決定することで、クラウドプロバイダーがユーザーの制約を守りつつリソース配分をリアルタイムで調整し、効率を最大化することを可能にする。

動画の質疑応答やコード生成など多様なエージェントワークロードでのテストにおいて、Murakkabは大幅な効率化を達成した。ユーザー要件を満たしながら、従来の手法と比較して計算ユニットの約35%のみを使用し、消費電力は27%、コストは25%未満に抑えられた。特定のケースでは、元のベースラインと比べて2%以内の精度を維持しながら、消費電力を1桁以上削減した。

MITの電気工学・コンピュータ科学大学院生であるゴーハル・チョードリー（Gohar Chaudhry）が率いる研究チームは、Murakkabが複雑なワークロードをクラウドプロバイダーが可視化し、より効果的なリソース共有を実現すると強調する。このプロジェクトは、セミコンダクター・リサーチ・コーポレーションと米国国防高等研究計画局（DARPA）の支援を受けている。今後は、より複雑なワークフローや大規模な計算クラスターへの拡張を通じて、AIアプリケーションの環境負荷と経済的コストのさらなる削減を目指す。