Kas ir aģentu mākslīgais intelekts?

Īsumā: aģentūru sistēmas ne tikai atbild uz jautājumiem — tās plāno, rīkojas un virzās uz mērķu sasniegšanu ar minimālu uzraudzību. Tās izsauc rīkus, pārlūko datus, koordinē apakšuzdevumus un pat sadarbojas ar citiem aģentiem, lai sasniegtu rezultātus. Tas ir virsraksts. Interesanti ir tas, kā tas darbojas praksē un ko tas nozīmē komandām mūsdienās. 

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kas ir mākslīgā intelekta mērogojamība
Uzziniet, kā mērogojams mākslīgais intelekts atbalsta izaugsmi, veiktspēju un uzticamību.

🔗 Kas ir mākslīgais intelekts
Izprast mākslīgā intelekta pamatkoncepcijas, iespējas un reālās pasaules biznesa lietojumprogrammas.

🔗 Kas ir izskaidrojamais mākslīgais intelekts
Uzziniet, kāpēc izskaidrojams mākslīgais intelekts uzlabo uzticēšanos, atbilstību un labākus lēmumus.

🔗 Kas ir mākslīgā intelekta treneris
Izpētiet, ko mākslīgā intelekta treneri dara, lai pilnveidotu un uzraudzītu modeļus.

Kas ir Agentic AI — vienkāršā versija 🧭

Kas īsi sakot ir aģentu mākslīgais intelekts (AI): tas ir mākslīgais intelekts, kas var autonomi izlemt, kas jādara tālāk, lai sasniegtu mērķi, ne tikai atbildēt uz norādījumiem. Pārdevēju neitrālā izpratnē tas apvieno spriešanu, plānošanu, rīku izmantošanu un atgriezeniskās saites cilpas, lai sistēma varētu pāriet no nodoma uz darbību — vairāk “izdarīt to”, mazāk “turp un atpakaļ” mijiedarbības. Galveno platformu definīcijas sakrīt šajos punktos: autonoma lēmumu pieņemšana, plānošana un izpilde ar minimālu cilvēka iejaukšanos [1]. Ražošanas pakalpojumi apraksta aģentus, kas organizē modeļus, datus, rīkus un API, lai pabeigtu uzdevumus no sākuma līdz beigām [2].

Iedomājieties spējīgu kolēģi, kurš izlasa uzdevumu, apkopo resursus un sasniedz rezultātus — ar pierakstiem, nevis roku rokā.

Kas veido labu aģentūru mākslīgo intelektu ✅

Kāpēc tāda ažiotāža (un dažreiz arī nemiers)? Daži iemesli:

• Rezultātu fokuss: aģenti pārvērš mērķi plānā un pēc tam izpilda soļus, līdz tas ir pabeigts, vai arī cilvēkiem tiek piedāvāts darbs bez bloķēšanas, izmantojot grozāmo krēslu [1].

• Rīku lietošana pēc noklusējuma: tie neapstājas pie teksta; tie izsauc API, veic vaicājumus zināšanu bāzēm, aktivizē funkcijas un aktivizē darbplūsmas jūsu kaudzē [2].

• Koordinatoru modeļi: uzraugi (jeb maršrutētāji) var piešķirt darbu speciālistiem, uzlabojot caurlaidspēju un uzticamību sarežģītos uzdevumos [2].

• Pārdomu cilpas: Spēcīgas iestatīšanas metodes ietver pašnovērtējuma un atkārtota mēģinājuma loģiku, lai aģenti pamanītu, kad viņi novirzās no kursa, un virzītos uz pareizo kursu (domājiet: plānošana → rīcība → pārskatīšana → pilnveidošana) [1].

Aģents, kas nekad neatspoguļo situāciju, ir kā satelītnavigācija, kas atsakās pārrēķināt — tehniski labi, praktiski kaitinoši.

Ģeneratīvais pretstatā aģentīvajam — kas īsti mainījās? 🔁

Klasiskā ģeneratīvā mākslīgā intelekta (MI) atbildes ir skaistas. Aģentūru MI sniedz rezultātus. Atšķirība ir orķestrēšana: daudzpakāpju plānošana, vides mijiedarbība un iteratīva izpilde, kas saistīta ar pastāvīgu mērķi. Citiem vārdiem sakot, mēs pievienojam atmiņu, rīkus un politikas, lai sistēma varētu darīt , nevis tikai pateikt [1][2].

Ja ģeneratīvie modeļi ir gudri praktikanti, tad aģentūru sistēmas ir jaunākie partneri, kas var izsekot formas, izsaukt pareizās API un virzīt darbu pāri finiša līnijai. Varbūt nedaudz pārspīlēts, bet jūs saprotat domu.

Kā aģentūru sistēmas darbojas zem pārsega 🧩

Galvenie pamatelementi, par kuriem dzirdēsiet:

1. Mērķa tulkošana → īsā apraksta veidošana par strukturētu plānu vai grafiku.

2. Plānotāja–izpildītāja cikls → izvēlas nākamo labāko darbību, izpilda, novērtē un atkārto.

3. Rīku izsaukšana → API, izguves, koda interpretētāju vai pārlūkprogrammu izsaukšana, lai ietekmētu pasauli.

4. Atmiņa → īstermiņa un ilgtermiņa stāvoklis konteksta pārnešanai un mācīšanās procesam.

5. Supervizors/maršrutētājs → koordinators, kas piešķir uzdevumus speciālistiem un īsteno politikas [2].

6. Novērojamība un aizsargbarjeras → izsekošanas metodes, politikas un pārbaudes, lai saglabātu uzvedību robežās [2].

Jūs redzēsiet arī aģentu RAG : izguve, kas ļauj aģentam izlemt, kad meklēt, ko meklēt un kā izmantot rezultātus daudzpakāpju plānā. Mazāk modes vārds, drīzāk praktisks pamata RAG uzlabojums.

Reālās pasaules lietojumi, kas nav tikai demonstrācijas 🧪

• Uzņēmuma darbplūsmas: pieprasījumu triāža, iepirkumu soļi un atskaišu ģenerēšana, kas atbilst pareizajām lietotnēm, datubāzēm un politikām [2].

• Programmatūras un datu operācijas: aģenti, kas atklāj problēmas, izveido savienojumu ar informācijas paneļiem, uzsāk testus un apkopo atšķirības, izmantojot žurnālus, kurus jūsu auditori var izsekot [2].

• Klientu apkalpošana: personalizēta saziņa, CRM atjauninājumi, zināšanu bāzes meklēšana un atbilstošas ​​atbildes, kas saistītas ar rokasgrāmatām [1][2].

• Pētījumi un analīze: literatūras skenēšana, datu attīrīšana un reproducējamas piezīmju grāmatiņas ar auditācijas takām.

Ātrs, konkrēts piemērs: “pārdošanas operāciju aģents”, kas nolasa sapulces piezīmi, atjaunina iespēju jūsu CRM sistēmā, sagatavo turpmākā e-pasta ziņojumu un reģistrē darbību. Nekādas drāmas — tikai mazāk sīku uzdevumu cilvēkiem.

Instrumentu ainava — kas ko piedāvā 🧰

Daži izplatīti sākumpunkti (saraksts nav pilnīgs):

• Amazon Bedrock aģenti → daudzpakāpju orķestrēšana ar rīku un zināšanu bāzes integrāciju, kā arī vadītāja modeļiem un aizsargbarjerām [2].

• Vertex AI aģentu veidotājs → ADK, novērojamība un drošības funkcijas uzdevumu plānošanai un izpildei ar minimālu cilvēka iejaukšanos [1].

Atvērtā pirmkoda orķestrācijas ietvaru ir daudz, taču neatkarīgi no izvēlētā maršruta atkārtojas vieni un tie paši galvenie modeļi: plānošana, rīki, atmiņa, uzraudzība un novērojamība.

Momentuzņēmumu salīdzinājums 📊

Īstas komandas par to diskutē tik un tā — uztveriet to kā virziena karti.

Cenas atšķiras atkarībā no lietošanas veida; vienmēr pārbaudiet pakalpojumu sniedzēja cenu lapu.

Arhitektūras modeļi, kurus jūs patiešām atkārtoti izmantosiet 🧱

• Plānošana → izpilde → pārdomāšana: plānotājs ieskicē soļus, izpildītājs rīkojas, un kritiķis pārskata. Izskalojiet un atkārtojiet, līdz viss ir pabeigts vai tiek virzīts uz priekšu [1].

• Vadītājs ar speciālistiem: koordinators novirza uzdevumus nišas aģentiem — pētniekam, kodētājam, testētājam, recenzentam [2].

• Smilškastes izpilde: koda rīki un pārlūkprogrammas darbojas ierobežotās smilškastēs ar stingrām atļaujām, žurnāliem un izslēgšanas slēdžu tabulām ražošanas aģentiem [5].

Neliela atzīšanās: lielākā daļa komandu sāk ar pārāk daudz aģentiem. Tas ir vilinoši. Sāciet minimāli pievienotas lomas tikai tad, kad rādītāji liecina, ka tās ir nepieciešamas.

Riski, kontrole un pārvaldības nozīme 🚧

Aģentu mākslīgais intelekts var veikt reālu darbu, kas nozīmē, ka tas var nodarīt arī reālu kaitējumu, ja tas ir nepareizi konfigurēts vai tiek nolaupīts. Koncentrējieties uz:

• Ātra injekcija un aģenta nolaupīšana: kad aģenti nolasa neuzticamus datus, ļaunprātīgas instrukcijas var novirzīt uzvedību. Vadošie institūti aktīvi pēta, kā novērtēt un mazināt šāda veida riskus [3].

• Privātuma apdraudējums: mazāk “praktiskas darbības”, vairāk atļauju — rūpīgi kartējiet piekļuvi datiem un identitāti (vismazāko privilēģiju princips).

• Novērtēšanas briedums: pret glancētiem etalonrādītājiem izturieties piesardzīgi; dodiet priekšroku uzdevumu līmeņa, atkārtojamiem novērtējumiem, kas saistīti ar jūsu darbplūsmām.

• Pārvaldības sistēmas: pielāgojiet tās strukturētām vadlīnijām (lomām, politikām, mērījumiem, mazināšanas pasākumiem), lai varētu apliecināt pienācīgu rūpību [4].

Tehniskai kontrolei apvienojiet politiku ar smilškastes tehnoloģiju : izolējiet rīkus, resursdatorus un tīklus; reģistrējiet visu; un pēc noklusējuma noliedziet visu, ko nevarat uzraudzīt [5].

Kā sākt veidot pragmatisku kontrolsarakstu 🛠️

1. Izvēlieties platformu atbilstoši savam kontekstam: ja jums ir padziļināta pieredze ar AWS vai Google Cloud, viņu aģents nodrošina vienmērīgas integrācijas [1][2].

2. Vispirms definējiet aizsargbarjeras: ievades datus, rīkus, datu tvērumus, atļautās darbības un eskalācijas ceļus. Saistiet augsta riska darbības ar skaidru apstiprinājumu [4].

3. Sāciet ar šauru mērķi: vienu procesu ar skaidriem KPI (ietaupītais laiks, kļūdu līmenis, SLA sasniegumu līmenis).

4. Instrumentējiet visu: izsekošanas datus, rīku izsaukumu žurnālus, metrikas un cilvēka atgriezeniskās saites cilpas [1].

5. Pievienojiet refleksiju un atkārtotus mēģinājumus: pirmie panākumi parasti rodas no gudrākiem cikliem, nevis lielākiem modeļiem [1].

6. Izmēģinājuma versija smilškastē: pirms plašas ieviešanas palaist ar ierobežotām atļaujām un tīkla izolāciju [5].

Kurp virzās tirgus 📈

Mākoņpakalpojumu sniedzēji un uzņēmumi aktīvi izmanto aģentu iespējas: formalizējot vairāku aģentu modeļus, pievienojot novērojamības un drošības funkcijas, kā arī padarot politiku un identitāti par pirmklasīgu prioritāti. Galvenā doma ir pāreja no asistentiem, kas sniedz ieteikumus, uz aģentiem, kas dara lietas labā, izmantojot drošības barjeras, lai noturētu tos robežu ietvaros [1][2][4].

Sagaidiet vairāk konkrētai jomai specifisku aģentu — finanšu operāciju, IT automatizācijas, pārdošanas operāciju —, platformas primitīvām nobriestot.

Kļūdas, no kurām jāizvairās — nestabilās daļas 🪤

• Pārāk daudz instrumentu, kas atsegti: jo lielāka instrumentu josta, jo lielāks sprādziena rādiuss. Sāciet ar mazumiņu.

• Nav eskalācijas ceļa: bez cilvēka veiktas informācijas nodošanas aģenti rīkojas cikliski vai, vēl ļaunāk, pārliecinoši un nepareizi.

• Tuneļa redzes etalons: izveidojiet savus novērtējumus, kas atspoguļo jūsu darbplūsmas.

• Ignorējot pārvaldību: piešķiriet politikām, pārskatiem un sarkano komandu veidošanai īpašniekus; sasaistiet kontroles ar atzītu sistēmu [4].

Bieži uzdotie jautājumi par zibens kārtu ⚡

Vai aģentūru mākslīgais intelekts ir tikai RPA ar tiesību zinātņu maģistra grādu (LLM) palīdzību? Ne gluži. RPA seko deterministiskiem skriptiem. Aģentūru sistēmas plāno, atlasa rīkus un pielāgojas acumirklī — ar nenoteiktību un atgriezeniskās saites cilpām [1][2].
Vai tas aizstās cilvēkus? Tas atbrīvo no atkārtotiem, daudzpakāpju uzdevumiem. Jautrais darbs — spriedums, gaume, sarunas — joprojām ir cilvēcisks.
Vai man ir nepieciešams daudzaģents jau no pirmās dienas? Nē. Daudzas uzvaras rodas no viena labi instrumentēta aģenta ar dažiem rīkiem; pievienojiet lomas, ja jūsu metrika to attaisno.

Pārāk ilgi to nelasīju 🌟

Kas ir aģentu mākslīgais intelekts praksē? Tā ir apvienota plānošanas, rīku, atmiņas un politiku kombinācija, kas ļauj mākslīgajam intelektam pāriet no sarunas uz uzdevumu. Vērtība parādās, kad tiek noteikti šauri mērķi, laikus tiek noteikti drošības barjeras un viss tiek instrumentēts. Riski ir reāla datu nolaupīšana, privātuma pārkāpumi, nepastāvīgi novērtējumi, tāpēc paļaujieties uz izveidotiem ietvariem un smilškastes eksperimentiem. Veidojiet mazus apjomus, apsēsti mēriet, paplašiniet ar pārliecību [3][4][5].

Atsauces

1. Google Cloud — Kas ir aģentūru mākslīgais intelekts? (definīcija, koncepcijas). Saite

2. AWS — automatizējiet uzdevumus savā lietojumprogrammā, izmantojot mākslīgā intelekta aģentus. (Bedrock aģentu dokumentācija). Saite

3. NIST tehniskais emuārs — mākslīgā intelekta aģentu nolaupīšanas novērtējumu stiprināšana. (risks un novērtējums). Saite

4. NIST — mākslīgā intelekta riska pārvaldības sistēma (AI RMF). (pārvaldība un kontrole). Saite

5. Apvienotās Karalistes Mākslīgā intelekta drošības institūts — Inspect: Sandboxing (tehniskas vadlīnijas par smilškastes izmantošanu). Saite

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums