Автономни агенти с изкуствен интелект – „следващата граница“, която завинаги ще промени сегашната професионална среда
Следващият етап от развитието на генеративния ИИ ще се фокусира върху системи, които могат да комуникират независимо. Ето какво ще означава тази трансформация за нашето работно и жизнено пространство.
Създаването и внедряването на системи, базирани на изкуствен интелект, може да изглежда като голям и тромав проект, изпълнен с рискове. Сега обаче се появява друг начин на взаимодействие: автономни агенти, базирани на ИИ.
Генеративният изкуствен интелект придаде нова тежест и съществено разшири възможностите на агентите, които често бяха трудни за настройване и управление. Ново изследване показва, че тези по-лесни за настройка услуги привличат все повече вниманието на разработчиците и техните ръководители.
Задвижваните от ИИ агенти представляват „следващата граница“, през която ще премине изкуственият интелект , се казва в доклад на консултантската компания McKinsey. Докладът отбелязва, че агентните системи, дефинирани като „цифрови системи, способни да взаимодействат автономно в динамичен свят“, ще навлизат все повече в професионалните процеси.
Въпреки че агентните системи съществуват от дълго време, „езиковите възможностите на естествения език, с които разполага генеративния ИИ, откриват нови възможности, позволявайки на системите да планират своите действия, да използват онлайн инструменти за изпълнение на задачи, да си сътрудничат с други агенти и хора, и да се обучават за подобряване на своята работа“, заявяват от екипа на McKinsey, ръководен Ларейн Йи.
Следващият етап на развитие на генеративния ИИ вероятно ще бъде още по -„трансформиращ“, смятат Йи и нейните колеги.
„Инструментите, базирани на знания и работещи на основата на генеративен ИИ, такива като чат ботовете, които отговарят на въпроси и генерират съдържание, започват да еволюират към агенти, базирани на генеративен ИИ, които използват базови модели за изпълнение на сложни, многоетапни работни процеси в дигиталния свят. Накратко, технологията преминава от мислене към действие.“
При неотдавнашно проучване на консултантската компания Capgemini повечето от анкетираните 1100 ръководители на технологични компании (82%), заявяват , че възнамеряват да внедрят ИИ агенти в своите организации в рамките на следващите три години, при положение, че на дадения момент само 10% разполагат с подобни агенти.
Според доклада седем от всеки десет анкетирани (70%) биха се доверили на ИИ агент да анализира и синтезира данни, а 50% биха се доверили на ИИ агент да изпрати професионален имейл от тяхно име. Около три четвърти от анкетираните (75%) заявяват, че възнамеряват да внедрят ИИ агенти за решаване на проблеми като генериране и итеративно подобряване на код. Други потенциални задачи за агентите включват създаване и редактиране на чернови на отчети (70%) и съдържание на уебсайт (68%), както и създаване на имейли и анализиране на данни.
Агентите, базирани на ИИ, могат да изпълняват голямо разнообразие от функции.
„Например, виртуален асистент може да планира и резервира сложен, персонализиран маршрут за пътуване, като управлява логистиката в множество платформи за пътуване“, пише в доклада на McKinsey. „Използвайки естествен език, един инженер може да опише нова софтуерна функция на агента програмист, който след това ще кодира, тества, подлага на итерации и внедрява инструмента, който той е помогнал да се създаде.“
В качеството на друг пример може да се посочи компанията Qventus, предлагаща асистент на базата на ИИ с името Patient Concierge, който се обажда на пациентите, за да им напомня за срещи, повтаря препоръките, които трябва да бъдат следвани преди и след операция и отговаря на общи въпроси за полагането на необходимите грижи.
В ръководство, публикувано от Amazon Web Services, се посочват шест нива на ИИ агенти, всяко следващо от които предлага все по-широка функционалност:
- Обикновени рефлексни агенти: подходящи за извършване на елементарни задачи, такива като пренастройка на пароли. „Той работи стриктно по предварително определени правила и въз основа на своите преки данни. Той няма да реагира на ситуации, излизащи извън рамките на зададеното правило за действие по условието на събитието.“
- Рефлексни агенти, базирани на модели: Приличат на обикновените рефлексни агенти, но „вместо просто да следват конкретно правило, оценяват вероятните резултати и последствия, преди да вземат решение. Изграждат вътрешен модел на света, който той възприема, и го използва в подкрепа на решенията си.”
- Агенти, базирани на цели/правила: имат по-надеждни способности за разсъждение от рефлексните агенти, което ги прави подходящи за „по-сложни задачи като обработка на естествен език и роботика“. Агентът, базиран на цели/правила, „сравнява различни подходи, които могат да му помогнат да постигне желания резултат и винаги избира най-ефективния път“.
- Агенти, базирани на помощни програми: „сравняват различни сценарии и съответните полезни значения или ползи“ – например помагат на клиентите да открият най-добрите предложения за самолетни билети. „Използва сложни алгоритми за разсъждения, за да помогне на потребителите да максимизират желаните от тях резултати.“
- Обучаващи се агенти: „Непрекъснато се учат от предишния си опит, за да подобрят резултатите си. Използвайки сензорен вход и механизми за обратна връзка, агентът с течение на времето адаптира своя елемент за обучение, за да отговаря на определени стандарти. Той също така използва генератор на задачи за разработване на нови задачи, служещи за обучение на базата събраните данни и миналите резултати.“
- Йерархични агенти: В този случай тези агенти управляват други агенти. „Агентите от по-високо ниво деконструират сложни задачи на по-малки и ги възлагат на агенти от по-ниско ниво. Всеки агент работи самостоятелно и представя доклад за напредъка на своя ръководител. Агент от по-високо ниво събира резултатите и координира работата на подчинените агенти, за да осигури колективно постигане на целите.“
Досега програмните агенти „бяха сложни за реализация, изискваха трудоемко програмиране, базирано на правила, или специфично обучение на модели за машинно обучение“, отбелязват специалистите на McKinsey.
Сега обаче започват да настъпват сериозни промени.
„Генеративният ИИ променя ситуацията. Когато агентните системи са изградени с помощта на базови модели, които са обучени на изключително големи и разнообразни неструктурирани набори от данни, а не на предварително дефинирани правила, те могат да се адаптират към различни сценарии по същия начин, по който големите езикови модели (LLM) могат интелигентно да реагират на подсказки, за които не са били изрично обучени „
Използването от ИИ агентите на естествен език също съществено променя уравнението.
„В момента за автоматизирането на някакъв сценарий за използване на даден агент , той трябва първо да бъде разделен на поредица от правила и стъпки, които могат да бъдат кодифицирани“, пише екипът на McKinsey. „Тези стъпки обикновено се превеждат в компютърен код и се интегрират в софтуерни системи – често скъп и отнемащ време процес, който изисква значителен технически опит. Тъй като новите агентни системи използват естествен език като форма на инструкция, даже сложни работни процеси могат да бъдат разработени доста по-бързо и по-лесно. Освен това този процес потенциално може да бъде извършен не от софтуерни инженери, а от служители без особени технически познания“.
И на края да обобщим с думи прости. Със своите нарастващи и разширяващи се възможности автономните агенти с изкуствен интелект ще могат да поемат огромна част от рутинните задачи, освобождавайки ни време за творчество и комуникация. Те ще променят начина, по който работим, учим и си почиваме. Въпросът е да осъзнаем настъпващите промени в тяхната цялост и пълнота за да можем да се впишем най-успешно в бъдещето.
