Sljedeća faza generativne umjetne inteligencije bit će usmjerena na sisteme koji mogu samostalno djelovati. Evo šta ta transformacija znači za vas.

Izgradnja i implementacija sistema zasnovanih na umjetnoj inteligenciji može izgledati kao velik i nezgrapan projekt, prepun rizika. Međutim, pojavljuje se novi način isporuke: AI agenti. Generativna umjetna inteligencija dodala je novu težinu i mogućnosti agentima, koji su često bili teški za postavljanje i upravljanje. Nova istraživanja pokazuju da ovi lakši za postavljanje servisi privlače pažnju tehnologa i njihovih poslovnih lidera.

AI agenti predstavljaju “sljedeću granicu” umjetne inteligencije, prema izvještaju konsultantske kuće McKinsey. Izvještaj predviđa da će uticaj agenskih sistema — definisanih kao “digitalni sistemi koji mogu samostalno djelovati u dinamičnom svijetu” — rasti.

Iako su agenski sistemi prisutni već neko vrijeme, “sposobnosti prirodnog jezika generativne AI otvaraju nove mogućnosti, omogućavajući sistemima da planiraju svoje akcije, koriste online alate za obavljanje tih zadataka, sarađuju s drugim agentima i ljudima te uče kako bi poboljšali svoje performanse,” navodi McKinsey tim autora predvođen Lareinom Yee.

Sljedeća faza generativne umjetne inteligencije vjerovatno će biti još “transformativnija”, sugeriraju Yee i njene kolege. “Započinjemo evoluciju od alata baziranih na znanju, pogonjenih generativnom umjetnom inteligencijom — poput chatbotova koji odgovaraju na pitanja i generišu sadržaj — prema agentima omogućeni generativnom umjetnom inteligencijom koji koriste osnovne modele za izvođenje složenih, višestepenih radnih procesa u digitalnom svijetu. Ukratko, tehnologija prelazi s misli na akciju.”

Većina od 1.100 tehničkih rukovodilaca (82%) koji su odgovorili na nedavnu anketu konsultantske firme Capgemini izjavila je da namjeravaju integrirati AI agente širom svojih organizacija u naredne tri godine — u odnosu na 10% s funkcionalnim agentima u sadašnjem trenutku.

Izvještaj je otkrio da bi sedam od deset ispitanika (70%) vjerovalo AI agentu da analizira i sintetizira podatke, a 50% bi mu vjerovalo da pošalje profesionalni e-mail u njihovo ime. Otprilike tri četvrtine ispitanika (75%) reklo je da namjerava koristiti AI agente za zadatke kao što su generiranje i iterativno poboljšavanje koda. Ostali potencijalni zadaci za agente uključuju generiranje i uređivanje nacrta izvještaja (70%) i sadržaja za web stranice (68%), kao i generiranje e-mailova, kodiranje i analizu podataka.

AI agenti sposobni su preuzeti različite uloge. “Virtualni asistent, na primjer, mogao bi planirati i rezervisati složenu personaliziranu putnu itinerariju, rješavajući logistiku na više platformi za putovanja,” navodi se u izvještaju McKinseyja. “Koristeći svakodnevni jezik, inženjer bi mogao opisati novu softversku funkciju programerskom agentu, koji bi zatim kodirao, testirao, iterirao i implementirao alat koji je pomogao stvoriti.”

U drugom primjeru, dobavljač Qventus nudi AI asistenta usmjerenog na klijente pod nazivom Patient Concierge, koji zove pacijente i podsjeća ih na termine, ponavlja upute prije i nakon operacija, te odgovara na opća pitanja o njezi.

Postoji šest nivoa AI agenata, svaki s povećanom funkcionalnošću, kako je navedeno u AWS tutorijalu:

Jednostavni refleksni agenti: Pogodni za jednostavne zadatke poput resetovanja lozinki. “Djeluje isključivo na temelju unaprijed definisanih pravila i trenutnih podataka. Ne reaguje na situacije izvan zadatog pravila o događaju.”

Model-bazirani refleksni agenti: Slični jednostavnim refleksnim agentima, ali “umjesto da samo slijedi određeno pravilo, procjenjuje vjerovatne ishode i posljedice prije donošenja odluke. Gradi interni model svijeta koji opaža i koristi ga za podršku svojim odlukama.”

Agent na osnovu cilja/pravila: Ima robusnije sposobnosti rasuđivanja nego refleksni agenti, što ih čini pogodnim za “složenije zadatke kao što su obrada prirodnog jezika i robotske aplikacije.” Agent zasnovan na cilju/pravilu “upoređuje različite pristupe kako bi postigao željeni ishod i uvijek bira najefikasniji put.”

Agent zasnovan na korisnosti: “Upoređuje različite scenarije i njihove odgovarajuće korisne vrijednosti ili koristi” — kao što je pomaganje korisnicima da pronađu najbolje avionske ponude. “Koristi složeni algoritam rasuđivanja kako bi korisnicima pomogao da maksimiziraju željene rezultate.”

Agent za učenje: “Kontinuirano uči iz prethodnih iskustava kako bi poboljšao svoje rezultate. Koristeći senzorne inpute i mehanizme povratnih informacija, agent vremenom prilagođava svoj element učenja kako bi ispunio određene standarde. Povrh toga, koristi generator problema za dizajniranje novih zadataka kako bi se obučio na prikupljenim podacima i prošlim rezultatima.”

Hijerarhijski agenti: Postavlja agente zadužene za druge agente. “Agenti višeg nivoa razlažu složene zadatke na manje i dodjeljuju ih agentima nižeg nivoa. Svaki agent radi neovisno i podnosi izvještaj o napretku svom nadzornom agentu. Agent višeg nivoa prikuplja rezultate i koordinira podređene agente kako bi osigurao da kolektivno postignu ciljeve.”

Do sada su softverski agenti “bili teški za implementaciju, zahtijevali su mukotrpno programiranje na temelju pravila ili visoko specifičnu obuku modela mašinskog učenja,” primijetio je McKinsey tim. Međutim, sada dolazi do velike promjene.

“Generativna umjetna inteligencija to mijenja. Kada se agenski sistemi grade korištenjem osnovnih modela — koji su obučeni na izuzetno velikim i raznovrsnim nestrukturiranim skupovima podataka — umjesto unaprijed definisanih pravila, imaju potencijal da se prilagode različitim scenarijima na isti način kao što LLM-ovi mogu inteligentno odgovoriti na upite na kojima nisu bili eksplicitno obučeni.”

Korištenje obrade prirodnog jezika kod AI agenata također mijenja pravila igre. “Trenutno, da bi se automatizovao neki slučaj upotrebe, on prvo mora biti razložen u niz pravila i koraka koji se mogu kodificirati,” navodi McKinsey tim.

“Ovi koraci se obično prevode u kompjuterski kod i integriraju u softverske sisteme — što je često skup i mukotrpan proces koji zahtijeva značajnu tehničku stručnost. Budući da agenski sistemi koriste prirodni jezik kao oblik instrukcije, čak i složeni radni tokovi mogu biti kodirani brže i lakše. Štaviše, taj proces može potencijalno biti obavljen od strane netehničkih zaposlenika, umjesto softverskih inženjera.”