AWS objavio Strands Decider 2B za odluke AI agenata
Amazon Web Services je objavio Strands Decider 2B, otvoreni model za donošenje izbora među unapred definisanim opcijama u radnim tokovima AI agenata. Model je zasnovan na jezičkom modelu Qwen3.5-2B, dostupan je odmah, može da se pokreće lokalno i uz izbor vraća procenu pouzdanosti odluke.
Reč je o pristupu koji AWS razvija u okviru Strands Labs, organizacije usmerene na alate i protokole za primenu AI agenata. Projekat je pokrenuo AWS distinguished engineer Marc Brooker nakon što je video model Jev kompanije TypeSafe i napravio sopstvenu verziju tog koncepta.
Model za izbor, a ne za generisanje teksta
Strands Decider koristi „osnovu” jezičkog modela, ali njegov zadatak nije da sastavlja slobodan tekst. Umesto toga, bira između unapred pripremljenih odgovora i procenjuje koliko je siguran u izabranu opciju. Takav zatvoren domen odgovora namenjen je situacijama poput pitanja koji korak agent treba sledeći da izvrši u definisanom procesu.
Brooker je naveo da su razgovori sa AWS korisnicima pokazali da agentni radni tokovi ne zahtevaju u svakom trenutku sposobnosti, niti trošak, potpuno opremljenog velikog jezičkog modela. AWS zato naglašava potencijalno manju latenciju i niži trošak, uz pouzdanije strukturisanje pojedinačnog koraka zahvaljujući rezultatima pouzdanosti.
Otvoren kod i rastuće interesovanje za decision modele
Brookerov raniji prototip nakratko je zauzeo prvo mesto na Jevbench rang-listi među modelima svoje veličine, nakon čega su ga AWS inženjeri doradili za javno izdanje. Strands Decider 2B je u potpunosti otvorenog koda, što omogućava lokalno pokretanje i dalji rad zajednice na modelu.
TypeSafe je svoj Jev nazvao po ekonomisti Williamu Stanleyju Jevonsu, čija se ideja vezuje za mogućnost da niži trošak nekog resursa poveća njegovu ukupnu tražnju. Od predstavljanja Jev-a pojavile su se desetine sličnih modela istraživača, što ukazuje na interesovanje za specijalizovano odlučivanje unutar automatizacije.
Šta treba meriti u poslovnoj primeni
Ključni tehnički izazov ostaje odnos brzine i kvaliteta odluka. Brooker upozorava da povećanje tačnosti i kalibracije za ove zadatke ne sme narušiti razumevanje jezika i znanje koje model čine opštije upotrebljivim. TypeSafe istovremeno ocenjuje da je stvaranje zaista sposobnih modela teže od same implementacije arhitekture.
Za poslovanje je praktičan zaključak da radne tokove treba raščlaniti: generativne zadatke zadržati za modele koji stvaraju ili tumače složen sadržaj, a ograničene izbore testirati sa manjim decision modelima kroz tačnost, procenu pouzdanosti, latenciju i trošak.