About / Advertise 
AI-system består allt oftare av flera modeller, agenter, program, tjänster och anslutna enheter. Det svenska projektet MDINA vill skapa en gemensam arkitektur som håller ihop alla dessa delar. Entreprenören Felix Martinsson, som står bakom projektet, jämför tanken med ett operativsystem för intelligenta system.
MDINA står för Modular Distributed Intelligence Node Architecture. Martinsson använder beteckningen OCS, Operating Coordination System, för den typ av kontroll- och koordinationssystem som arkitekturen är tänkt att möjliggöra.
– OCS är inte en språkmodell eller en chattbot, utan handlar om hur ett intelligent systems kontroll och samordning hålls ihop, förklarar Felix Martinsson, entreprenör och skapare av MDINA.
Tanken blir enklare att förstå om man skiljer mellan att utföra en uppgift och att styra hela systemet. En språkmodell kan skriva en text, en annan modell kan skapa en bild och ett program kan publicera resultatet. Men någon måste också hålla reda på vem som gör vad, vilka befogenheter de olika delarna har och hur systemet ska agera när förutsättningarna förändras.
Det är här MDINA kommer in. Arkitekturen ska inte bara organisera arbetsflöden, utan också hantera ansvar, befogenheter och systemets tillstånd. Enligt Martinsson är den organiskt inspirerad och utformad för att kunna anpassa sig till nya situationer och lära av vad som händer.
Arkitekturen är inte begränsad till AI-agenter. Tanken är att AI, traditionell programvara, tjänster, verktyg och anslutna enheter ska kunna samverka inom samma system. Även sensorer och maskiner kan kopplas in genom olika integrationer.
Martinsson ser ett särskilt behov av den här typen av kontroll när AI börjar användas i infrastruktur och andra samhällsviktiga system.
– Dagens samhälle är inte byggt för att hantera AI:s fulla potential utan att vi samtidigt kan förstå vad systemen gör, påverka deras beslut, styra deras befogenheter och vid behov dra i handbromsen.
Ett konkret exempel är Faceless, en experimentell automatiserad mediefabrik som Martinsson har byggt med MDINA. Systemet identifierar trender och avgör vilket innehåll som ska produceras för olika profiler. Därefter skapas text, bilder eller video och innehållet anpassas till exempelvis Youtube eller Instagram.
Efter publiceringen samlar systemet in data om resultatet. Informationen används för att utvärdera innehållet, genomföra A/B-tester och anpassa kommande publiceringar. Enligt Martinsson kan hela kedjan köras automatiskt varje dag.
Faceless illustrerar därmed skillnaden mellan en enskild AI-funktion och det som MDINA försöker åstadkomma. AI-modeller och program utför arbetsuppgifterna, medan arkitekturen ska hålla reda på systemets tillstånd, ansvar och samordning.
Martinsson berättar också om ett fel under utvecklingen som visar betydelsen av att kunna återskapa ett tidigare fungerande tillstånd. Efter att noder för trendanalys och musik hade kopplats in fel skapades ett parallellt system och problemet omfattade till slut omkring 16 400 filer. Under flera månader försökte utvecklarna återställa bygget.
Lösningen blev att fråga systemet efter historiken kring den senaste godkända publiceringen. Enligt Martinsson tog det omkring två minuter att få fram rätt historik och ge AI:n tillräckligt med sammanhang för att förstå vilket tillstånd som skulle återskapas. Själva kodningen av återställningen tog sedan ungefär 15 minuter.
MDINA är fortfarande ett utvecklingsprojekt och Martinsson offentliggör inte de interna algoritmerna eller de detaljerade data- och beslutsflödena. Därför är det svårt att utifrån den offentliga informationen bedöma exakt hur arkitekturen tekniskt skiljer sig från befintliga ramverk för agentorkestrering, arbetsflöden och tillståndshantering.
Martinsson betonar att ambitionen är bredare än att orkestrera AI-agenter. Målet är att skapa en återanvändbar systemarkitektur som andra kan använda för att bygga egna intelligenta system, med kontroll över vad systemets olika delar får göra och hur de samverkar.
