স্বায়ত্তশাসিত বিনিয়োগে LLM এজেন্টদের নিয়ন্ত্রিত বিকাশ: অপরিবর্তনীয় সুরক্ষা স্তরসহ একটি মাল্টি-এজেন্ট কাঠামো

কর্মের অপরিবর্তনীয়তা একটি মৌলিক সীমাবদ্ধতা

স্বায়ত্তশাসিত বিনিয়োগে live Web data এবং untrusted Web content নিয়ে কাজ করতে হয়। এমন পরিবেশে প্রতিটি কর্মই অপরিবর্তনীয়। তাই LLM এজেন্টের বিকাশের জন্য অভিযোজন ও সুরক্ষিত মূল কাঠামোর মধ্যে একটি সীমারেখা থাকা জরুরি। «স্বায়ত্তশাসিত বিনিয়োগের জন্য নিয়ন্ত্রিত স্ব-বিবর্তন: অপরিবর্তনীয় মূল কাঠামোসহ একটি মাল্টি-এজেন্ট LLM সিস্টেম» প্রবন্ধে লেখকেরা Steward সিস্টেমের বর্ণনা দিয়েছেন। এটি স্বায়ত্তশাসিত বিনিয়োগের জন্য একটি মাল্টি-এজেন্ট LLM সিস্টেম। প্রবন্ধটির লেখক Yebo Feng, Jingyang Dai, Liangrui Pan, Nelson Lau, Jiahua Xu, Yang Liu। লেখকেরা ২২ অক্টোবর ২০২৬-এ প্রবন্ধটি জমা দেন। মানদণ্ড: স্থাপত্যে অভিযোজনকে সুরক্ষিত মূল কাঠামো থেকে আলাদা রাখতে হবে। তা না হলে, যাচাইয়ের আগেই অপরিবর্তনীয় কর্ম ঘটে যেতে পারে।

সিদ্ধান্ত গ্রহণের মাল্টি-এজেন্ট কাঠামো

ভূমিকা অনুযায়ী বিশেষায়িত নয়টি এজেন্ট যৌথভাবে সিদ্ধান্ত নেয়। চারজন বিশ্লেষক news feeds, SEC filings, macroeconomic series এবং market data পড়েন। তাঁরা টাইপযুক্ত প্রতিবেদন তৈরি করেন।

• Portfolio Manager এই প্রতিবেদনগুলোর ভিত্তিতে লক্ষ্যমাত্রার পজিশন নির্ধারণ করেন।
• সুরক্ষিত Risk Manager লক্ষ্যমাত্রার পজিশন যাচাই করেন। মানদণ্ড: প্রতিটি ধাপের জন্য আলাদা ভূমিকা এবং যাচাইযোগ্য আউটপুট থাকতে হবে। টাইপযুক্ত প্রতিবেদন মূল ডেটাকে সিদ্ধান্ত থেকে আলাদা রাখে।

সাত স্তরের মেমোরি ও সিদ্ধান্তের প্রেক্ষাপট

কোডটি সিস্টেমের নিজস্ব রেকর্ড থেকে একটি অভিন্ন সাত স্তরের মেমোরি তৈরি করে। এটি প্রতিটি সিদ্ধান্তকে পজিশনের প্রেক্ষাপট, বাজারের বয়ান, ক্যালিব্রেশন এবং এজেন্টের অতীত সিদ্ধান্তের তথ্য দেয়।

মানদণ্ড: সিদ্ধান্তের ভিত্তি হতে হবে নথিভুক্ত প্রেক্ষাপট। সিস্টেমের নিজস্ব রেকর্ড থেকে তৈরি মেমোরি অতীত সিদ্ধান্তসহ এই প্রেক্ষাপট সংরক্ষণ করে।

পর্যালোচনা চক্র: রাতের মূল্যায়ন ও প্রত্যাবর্তনযোগ্য উন্নতি

পর্যালোচনাটি কয়েকটি ধাপে হয়:

• রাতের মূল্যায়ন: কোড প্রতিটি লেনদেন ও পূর্বাভাস মূল্যায়ন করে, তারপর মূল্যায়নগুলো মেমোরিতে লেখে।
• ত্রৈমাসিক প্রস্তাব: reflector প্রম্পটের উন্নতির প্রস্তাব দেয়।
• প্রয়োগ: নির্ধারিত gate উন্নতিগুলো প্রত্যাবর্তনযোগ্যভাবে প্রয়োগ করে।
• যাচাই: নথিভুক্ত ইনপুট পুনরায় চালিয়ে ফলাফল যাচাই করা হয়। এই চক্র উন্নতির প্রস্তাবকে তা বাস্তবায়ন থেকে আলাদা রাখে। reflector প্রধান ব্যর্থতার মূল কারণ শনাক্ত করেছিল। gate শনাক্ত করা উন্নতিটি প্রয়োগ করেছিল। এজেন্ট সেটি trigger evenings-এ ব্যবহার করেছিল এবং কোনো control evening-এ ব্যবহার করেনি। মানদণ্ড: প্রম্পটের পরিবর্তন gate ও replay-এর মধ্য দিয়ে যেতে হবে। প্রত্যাবর্তনযোগ্যতা এবং নথিভুক্ত ডেটায় যাচাই ব্যবস্থার বিকাশকে নিয়ন্ত্রিত চক্রে রাখে।

সুরক্ষিত মূল কাঠামো ও স্ব-পরিবর্তনের সীমা

অপরিবর্তনীয় মূল কাঠামোতে তিনটি উপাদান রয়েছে:

• অর্ডারের গাণিতিক হিসাব;
• ঝুঁকির নিয়ম;
• শৃঙ্খলা-সংক্রান্ত এজেন্টের প্রম্পট। স্ব-পরিবর্তনের মাধ্যমে এই উপাদানগুলো বদলানো যায় না। মূল কাঠামো সিস্টেমের বিকাশের সীমা নির্ধারণ করে। মানদণ্ড: স্ব-পরিবর্তনের চক্রে এই উপাদানগুলো প্রভাবিত হওয়া চলবে না। এগুলোর পরিবর্তন reflector-এর কাজের ওপর নির্ভরশীল হওয়া চলবে না।

live মোড, replay ও backtest-এ যাচাই

পাঁচ মাসের live deployment-এ (১০২টি ট্রেডিং দিন, ১ ৬৩২টি LLM কল) সিস্টেমটি সেক্টরের ২৪,৬% পতনকে ০,৩% লোকসানে সীমাবদ্ধ রেখেছিল। নথিভুক্ত ইনপুটের replay-এ একটি মডেল একই raw data পেয়েছিল। সেটি বেশি ঘন ঘন লেনদেন করেছিল এবং পাঁচ দিনে বাজারের তুলনায় ১,৩৫ পয়েন্ট পিছিয়ে ছিল। যৌথ সিস্টেমটি ওই সময়ে উল্লেখযোগ্য কোনো লোকসান দেখায়নি। সিস্টেমটি বাস্তবায়িত কোনো নির্দেশই কার্যকর করেনি। ২০১৫-২০২৬ সালের backtest-এ শুধু মূল কাঠামোই সব ৫০টি random entry policies-এ সর্বোচ্চ পতন কমিয়েছিল।

মানদণ্ড: live, replay এবং backtest-এ সিস্টেমকে আলাদাভাবে যাচাই করতে হবে। প্রতিটি পদ্ধতি ভিন্ন প্রশ্নের উত্তর দেয় এবং অন্যগুলোর বিকল্প নয়।