A mesterséges intelligencia ügynökei jelentik a „következő határt”, és örökre megváltoztatják munkánkat

A generatív mesterséges intelligencia következő szakasza azokra a rendszerekre fog összpontosítani, amelyek egymástól függetlenül képesek kölcsönhatásba lépni. Íme, mit jelent ez az átalakulás az Ön számára.

Az AI-alapú rendszerek felépítése és bevezetése nagy és nehézkes projektnek tűnhet, tele kockázatokkal. Egy másik szállítási mód azonban kialakulóban van: az AI-alapú ügynökök.

A generatív mesterséges intelligencia új funkciókkal és képességekkel bővítette az ügynököket, amelyeket gyakran nehéz volt beállítani és kezelni. Az új kutatások szerint ezek a könnyebben beállítható szolgáltatások felkeltik a technológusok és cégvezetőik figyelmét.

A McKinsey tanácsadó jelentése szerint az AI-alapú ügynökök jelentik az AI „következő határát”. A jelentés azt jósolja, hogy az ügynökrendszerek - amelyeket úgy definiálnak, mint "digitális rendszerek, amelyek önállóan képesek kölcsönhatásba lépni egy dinamikus világban" - növekedni fog.

Míg az ügynöki rendszerek már egy ideje léteznek, "a gen AI természetes nyelvi képességei új lehetőségeket tárnak fel, lehetővé téve olyan rendszerek számára, amelyek megtervezhetik tevékenységeiket, online eszközöket használhatnak a feladatok elvégzésére, együttműködhetnek más ügynökökkel és emberekkel, és megtanulhatnak javítani. teljesítményüket" - nyilatkozta a McKinsey szerzői csapata, Lareina Yee vezetésével.

A generatív mesterséges intelligencia következő szakasza valószínűleg még "transzformatívabb" lesz - javasolták Yee és kollégái. „Evolúcióba kezdünk a tudásalapú, gen-AI-alapú eszközöktől - mondjuk a kérdésekre válaszoló és tartalmat generáló chatbotoktól - az AI-kompatibilis ügynökökig, amelyek alapmodellek segítségével összetett, többlépcsős munkafolyamatokat hajtanak végre a digitális világban. Röviden: a technológia a gondolatról a cselekvésre halad."

A Capgemini tanácsadó közelmúltbeli felmérésére válaszoló 1100 technológiai vezető többsége (82%) jelezte, hogy a következő három éven belül integrálni kívánják az AI-alapú ügynököket a szervezetükbe - ez a jelenlegi 10%-os arány a működő ügynökökhöz képest.

A jelentés szerint tízből hét válaszadó (70%) megbízna egy mesterségesintelligencia-ügynökben az adatok elemzésében és szintetizálásában, és 50%-uk bízna abban, hogy egy mesterségesintelligencia-ügynök küld professzionális e-mailt a nevükben. A válaszadók körülbelül háromnegyede (75%) azt mondta, hogy mesterséges intelligencia-ügynököket kíván bevetni olyan feladatok megoldására, mint például a kód generálása és iteratív javítása. Az ügynökök további lehetséges feladatai közé tartozott a jelentéstervezetek (70%) és a webhelyek tartalmának (68%) létrehozása és szerkesztése, valamint az e-mailek generálása, kódolása és adatelemzése.

A mesterséges intelligencia által vezérelt ügynökök sokféle szerepet képesek felvállalni. "Egy virtuális asszisztens például megtervezhet és lefoglalhat egy összetett, személyre szabott utazási útvonalat, amely több utazási platformon keresztül kezeli a logisztikát" - áll a McKinsey jelentésében. "A mindennapi nyelvet használva a mérnök leírhat egy új szoftverfunkciót a programozói ügynöknek, aki ezután kódolja, teszteli, iterálja és telepíti az általa létrehozott eszközt."

Egy másik példában egy eladó, a Qventus, az ügyfelek felé mutató, mesterséges intelligencia-alapú asszisztenst kínál Patient Concierge néven, amely felhívja a betegeket és emlékezteti őket a találkozókra, megismétli a műtét előtti és utáni irányelveket, és válaszol az általános gondozási kérdésekre.

Az AI-ügynökök hat szintje létezik, amelyek mindegyike egyre nagyobb funkcionalitást kínál, amint az az Amazon Web Services által kiadott oktatóanyagban olvasható:

• Egyszerű reflex ügynökök: Egyszerű feladatokhoz, például jelszavak visszaállításához alkalmas. "Szigorúan előre definiált szabályok és annak azonnali adatai alapján működik. Egy adott eseményfeltétel cselekvési szabályon túli helyzetekre nem reagál."
• Modell alapú reflex ágensek: Hasonlóan az egyszerű reflex ágensekhez, de "ahelyett, hogy pusztán követne egy meghatározott szabályt, döntés előtt értékeli a várható kimeneteleket és következményeket. Belső modellt épít fel az általa észlelt világról, és ezt felhasználja támogassa döntéseit."
• Cél-/szabály-alapú ágensek: Robusztusabb érvelési képességekkel rendelkezik, mint a reflexügynökök, így alkalmasak "összetettebb feladatokra, például természetes nyelvi feldolgozásra és robotikai alkalmazásokra". A cél/szabály alapú ügynök „összehasonlítja a különböző megközelítéseket, hogy segítse elérni a kívánt eredményt, és mindig a leghatékonyabb utat választja”.
• Közüzemi ügynökök: „Összehasonlítja a különböző forgatókönyveket és azok megfelelő hasznossági értékeit vagy előnyeit” - például segít az ügyfeleknek a legjobb légitársasági ajánlatok megtalálásában. "Egy összetett gondolkodási algoritmust használ, hogy segítse a felhasználókat a kívánt eredmények maximalizálásában."
• Tanulási ágensek: "Folyamatosan tanul a korábbi tapasztalatokból, hogy javítsa az eredményeit. Érzékszervi bemeneti és visszacsatolási mechanizmusok segítségével az ágens idővel adaptálja tanulási elemét, hogy megfeleljen az adott szabványoknak. Ezen felül egy problémát is felhasznál. generátor, hogy új feladatokat tervezzen, és képezze magát az összegyűjtött adatokból és a múltbeli eredményekből."
• Hierarchikus ügynökök: Ezzel az ügynökök más ügynökök felett állnak. "A magasabb szintű ügynökök az összetett feladatokat kisebbre bontják, és az alacsonyabb szintű ügynökökhöz rendelik. Mindegyik ügynök önállóan fut, és előrehaladási jelentést küld a felügyelő ügynökének. A magasabb szintű ügynök összegyűjti az eredményeket és koordinálja az alárendelt ügynököket, hogy biztosítsa, közösen elérni a célokat."

A McKinsey csapata megjegyezte, hogy mindeddig a szoftverügynököket "nehéz volt megvalósítani, fáradságos, szabályalapú programozást vagy a gépi tanulási modellek rendkívül specifikus képzését igényelték". Most azonban jelentős változás következik be.

"A Gen AI megváltoztatja ezt. Amikor az ügynökrendszereket alapmodellek segítségével építik fel - amelyeket rendkívül nagy és változatos strukturálatlan adatkészletekre képeztek ki - ahelyett, hogy előre meghatározott szabályokat alkalmaznának, akkor lehetőségük van a különböző forgatókönyvekhez ugyanúgy alkalmazkodni, mint az LLM-ek. érthetően tudnak reagálni azokra a felszólításokra, amelyekre nem kaptak kifejezetten képzést."

Az AI-ügynökök természetes nyelvű feldolgozása szintén megváltoztatja az egyenletet. "Jelenleg a használati esetek automatizálásához először egy sor szabályra és lépésre kell lebontani, amelyek kodifikálhatók" - mondta a McKinsey csapata.

"Ezeket a lépéseket általában számítógépes kódra fordítják és szoftverrendszerekbe integrálják - ez gyakran költséges és munkaigényes folyamat, amely jelentős technikai szakértelmet igényel. Mivel az ügynökrendszerek a természetes nyelvet használják tanítási formaként, még az összetett munkafolyamatok is gyorsabban és könnyebben kódolhatók Sőt, a folyamatot valószínűleg nem műszaki alkalmazottak is elvégezhetik, nem pedig szoftvermérnökök."