AI エージェントの速度とエネルギー効率を向上させる研究

エージェント型ワークフローは、複数のモデルや外部ツールを連鎖させて、ビデオの分析とその内容に関する質問への回答といった複雑なタスクに取り組む、人工知能（AI）を活用したソフトウェアシステムです。 しかし、これらの高度に断片化されたシステムの設計および展開方法には、計算資源・エネルギー・コストの無駄につながる非効率性がしばしば生じます。 効率性を向上させるため、MIT と Microsoft の研究者らは、エージェント型ワークフローの設計プロセスを簡素化し、その実装方法を自動的に最適化するインテリジェントシステムを開発しました。 この新しい手法では、開発者はアプリケーションの詳細な仕様を事前に指定する必要なく、自然言語でエージェント型ワークフローに求める機能を記述するだけで済みます。 システムは、使用する最適なモデルやツール、およびクラウドプロバイダがワークフローを実行する際の理想的なハードウェア構成と計算リソースの割り当てを自動的に決定します。 このシステムは、コスト最小化や速度最大化など、各ユーザーの優先事項に基づいて、実行中にこれらの設定を動的に調整します。 いくつかのエージェント型負荷でテストした結果、従来の手法と比較して、必要な計算ユニット数を大幅に削減し、パフォーマンスを損なうことなく、エネルギー要件とコストを劇的に低減できることが示されました。 「エージェント型ワークフローは非常に複雑化しており、クラウドプロバイダーが行うことの骨格へと急速に変わりつつあります。エネルギー使用量は大きな懸念事項であり、これらのワークフローがいかに効率的であるかについて非常に注意を払う必要があります。リソースを過剰に割り当ててエネルギーと資金を浪費するのは非常に容易です。クラウドプロバイダーがこれらのワークフローをインテリジェントにリソース最適化できるようにすることは、関係するすべての人にとっての勝利です」と、電気工学およびコンピュータサイエンス（EECS）の大学院生であり、このシステムに関する[論文](https://goharirfan.me/publications/murakkab_osdi_2026_paper.pdf)の筆頭著者であるゴハル・チャウドリー氏は述べています。 同論文には、EECS准教授かつMITコンピュータサイエンスおよび人工知能研究所（Computer Science and Artificial Intelligence Laboratory）のメンバーであるアダム・ベレイ氏、マイクロソフト・Azureのテクニカルフェロー兼企業副社長であり上級著者であるリカルド・ビアンキーニ氏、およびマイクロソフト・Azureの他の研究者らが参加しています。この論文は、USENIXオペレーティングシステム設計と実装シンポジウム（USENIX Symposium on Operating Systems Design and Implementation）で発表されます。 **設定の難問** エージェント型ワークフローとは、データベースやPythonプログラムなどのさまざまなモデルやツールを協働して使用し、データ処理やコード生成のような多段階タスクを動的に完了させる、複数の自律型AIエージェントから構成されるシステムです。 これらのワークフローは、ユーザー向けアプリケーションを支える裏方プロセスとして機能することができます。 通常、開発者はすべての技術的な選択を事前にハードコードする必要があります。使用する AI エージェント、モデル、ツール、およびそれらの使用順序を定義し、ワークフローを実行するハードウェアと、速度対コストのようなトレードオフのバランスの取り方を指定しなければなりません。 これは特に困難です。なぜなら、エージェント型ワークフローは、それぞれが独自の設定オプションを持ち、異なる企業によって提供される可能性のある複数のブラックボックスモデルや多様なツールを結びつけるからです。 アプリケーションの精度や効率を向上させる新しい AI モデルがリリースされた場合、開発者はそれを実装するために最初からやり直す必要があります。 「手動でこれらすべてを行おうとしても、可能な設定の空間があまりにも広大であるため、ワークフローを最適に構成することは unlikely でしょう」と Chaudhry は述べています。 さらに、顧客のためにアプリケーションを展開するクラウドデータセンターは、ユーザーのリクエスト時にハードウェアリソースを最も効率的な方法で割り当てるために、ワークフロー内部を参照することができません。 この新しいシステム「Murakkab」（ウルドゥー語で「ものの組み合わせ」を意味する）では、研究者らはエージェント型ワークフロープロセス全体を最適化することを目指しました。 **動的意思決定** まず、Murakkab を使用すれば、開発者はワークフローの多くのコンポーネントをどのように結合するかという詳細ではなく、アプリケーションに対する意図を高レベルな用語で記述するだけで、エージェント型ワークフローを作成できます。 例えば、開発者がキーフレームの抽出、文字起こしの生成、そして動画に関するユーザーの質問への回答を行うビデオ Q&A アプリケーションを記述する場合があります。 「これを実現する方法は多数あり、これらの異なるモデルやツールは、アプリケーションがタスクを終了する速度にどのような影響を与えるかを決定します」と彼は言います。 Murakkab は開発者の明確な仕様を受け取り、ワークフローに組み込む最適な既存のモデルとツールを自動的に特定します。 また、パフォーマンス向上のためにどのコンポーネントを順次実行し、どのコンポーネントを並列実行すべきかを決定します。 「このプラットフォームは時間経過とともに動的に設定決定を行うため、明日新しいモデルや GPU アクセラレータが登場しても、開発者はそれを気にする必要がありません」と彼は言います。 クラウドプロバイダが顧客のためにそのアプリケーションを展開する際、Murakkab はコンポーネントを設定してユーザーの制約（例えば、レイテンシ要件を満たしつつ精度を優先するなど）に応えることでワークフローを最適化します。 リアルタイムで効率を最大化するために理想的なハードウェア割り当てと展開スケジュールを適応的に特定し、クラウドプロバイダが実行可能なワークフローを生成します。 「私たちのシステムはまた、クラウドプロバイダに対して複数のワークロードの可視性を提供するため、プロバイダはユーザーの制約を満たしつつ、計算リソースを最も効率的な方法で共有できます」と彼は言います。 動画 Q&A やコード生成の多様なエージェントワークフローでテストされた結果、Murakkab は他の手法に必要な計算資源の約 35% しか使用せずにユーザー要件を満たしました。また、コストは 25% 未満で済む一方で、消費エネルギーも約 27% に抑えられました。 Murakkab の動的な性質により、ユーザーはトレードオフを調整することが可能になります。ある事例では、システムの精度が顧客にとってわずか 2% 低下するだけで、エージェントワークフローのエネルギー消費を桁違いに（10 倍以上）削減することに成功しました。 また、このシステムは動画フレームを選択するモデルに対して予期せぬほど理想的な構成を特定し、動画 Q&A タスクのパフォーマンスを最適化することができました。Chaudhry 氏によれば、このような最適化を手動で開発者が行うことはほぼ不可能だといいます。 次に研究者たちは、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システム拡張を検討しつつ、新しいエージェントアプリケーションの最適化機会を探る計画です。 「これらのワークフローをリソース最適化し、エネルギー消費を大幅に削減する可能性は非常に大きいですが、主要なクラウドプラットフォームのスケールでこれを考える必要があります」と Chaudhry 氏は述べています。 本研究は一部、Semiconductor Research Corporation および米国国防高等研究計画局（Defense Advanced Research Projects Agency）によって支援されました。

AI エージェントの速度とエネルギー効率を向上させる研究

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

関連記事

調べる

選ぶ

サイト