Автором материала является K-News. Любое копирование или частичное использование возможно по разрешению редакции K-News.
Следующий этап развития генеративного ИИ будет сосредоточен на системах, способных взаимодействовать самостоятельно. Вот что эта трансформация означает для нашего рабочего пространства
Автор: Джо МакКендрик
Создание и внедрение систем на основе искусственного интеллекта может показаться большим и громоздким проектом, чреватым рисками. Однако сейчас появляется другой способ взаимодействия: агенты на основе ИИ.
Генеративный ИИ придал новый вес и расширил возможности агентов, которых зачастую было сложно настраивать и управлять ими. Новое исследование показывает, что эти более простые в настройке услуги привлекают внимание технологов и их руководителей.
Агенты на основе ИИ представляют собой «следующий рубеж» ИИ, говорится в отчете McKinsey. В докладе отмечается, что влияние агентных систем, определяемых как «цифровые системы, способные самостоятельно взаимодействовать в динамичном мире», будет расти.
Хотя агентные системы существуют уже давно, «естественно-языковые возможности генетического ИИ открывают новые возможности, позволяя системам планировать свои действия, использовать онлайн-инструменты для выполнения задач, сотрудничать с другими агентами и людьми и учиться, чтобы улучшить свою работу», — заявила группа авторов McKinsey под руководством Ларейны Йи.
Следующий этап развития генеративного ИИ, вероятно, будет еще более «преобразующим», считают Йи и ее коллеги. «Мы начинаем эволюцию от инструментов, основанных на знаниях и работающих на основе генеративного ИИ — скажем, чат-ботов, которые отвечают на вопросы и генерируют контент, — к агентам на основе генеративного ИИ, которые используют базовые модели для выполнения сложных, многоэтапных рабочих процессов в цифровом мире». Одним словом, технология переходит от мыслей к действиям».
Большинство из 1100 руководителей технологических компаний (82 %), принявших участие в недавнем опросе, проведенном консультантом Capgemini, сообщили, что намерены внедрить агентов на базе ИИ в своих организациях в течение ближайших трех лет — по сравнению с 10 %, имеющих действующих агентов в настоящее время.
Согласно отчету, семь из десяти респондентов (70 %) доверили бы агенту ИИ анализ и синтез данных, а 50 % — отправку профессионального электронного письма от их имени. Около трех четвертей респондентов (75 %) заявили, что намерены внедрить агентов ИИ для решения таких задач, как генерация и итеративное улучшение кода. Среди других потенциальных задач для агентов — создание и редактирование черновиков отчетов (70 %) и контента веб-сайтов (68 %), а также создание электронных писем, кодирование и анализ данных.
Агенты на базе ИИ способны выполнять самые разные функции. «Например, виртуальный помощник может спланировать и забронировать сложный индивидуальный туристический маршрут, обрабатывая логистику на нескольких туристических платформах», — говорится в отчете McKinsey. «Используя повседневный язык, инженер может описать новую функцию программного обеспечения агенту-программисту, который затем будет кодировать, тестировать, итерировать и внедрять инструмент, который он помог создать».
В качестве другого примера можно привести компанию Qventus, предлагающую ассистента на базе ИИ для клиентов под названием Patient Concierge, который звонит пациентам и напоминает им о назначенных встречах, повторяет рекомендации до и после операции и отвечает на общие вопросы по уходу.
Существует шесть уровней ИИ-агентов, каждый из которых предлагает все более широкие функциональные возможности, как описано в этом руководстве, опубликованном Amazon Web Services:
- Простые рефлекторные агенты: подходят для выполнения простых задач, таких как сброс паролей. «Работает строго по заранее определенным правилам и на основе своих непосредственных данных. Он не будет реагировать на ситуации, выходящие за рамки заданного правила действия по условию события».
- Рефлекторные агенты на основе моделей: Похожи на простые рефлекторные агенты, но «вместо того чтобы просто следовать определенному правилу, оценивают вероятные результаты и последствия, прежде чем принять решение. Строит внутреннюю модель мира, который он воспринимает, и использует ее для поддержки своих решений».
- Агенты, основанные на целях/правилах: обладают более надежными возможностями рассуждения, чем рефлекторные агенты, что делает их пригодными для «более сложных задач, таких как обработка естественного языка и робототехника». Агент, основанный на целях/правилах, «сравнивает различные подходы, которые помогут ему достичь желаемого результата, и всегда выбирает наиболее эффективный путь».
- Агенты, основанные на утилитах: «cравнивают различные сценарии и их соответствующие полезные значения или выгоды» — например, помогают клиентам искать лучшие предложения на авиабилеты. «Использует сложный алгоритм рассуждений, чтобы помочь пользователям максимизировать желаемые результаты».
- Обучающиеся агенты: «Непрерывно учатся на предыдущем опыте, чтобы улучшить свои результаты. Используя сенсорный ввод и механизмы обратной связи, агент со временем адаптирует свой элемент обучения, чтобы соответствовать определенным стандартам. Кроме того, он использует генератор задач для разработки новых заданий, чтобы обучаться на основе собранных данных и прошлых результатов».
- Иерархические агенты: В этом случае агенты руководят другими агентами. «Агенты более высокого уровня деконструируют сложные задачи на более мелкие и поручают их агентам более низкого уровня. Каждый агент работает независимо и представляет отчет о проделанной работе своему агенту-руководителю. Агент более высокого уровня собирает результаты и координирует работу подчиненных агентов, чтобы обеспечить коллективное достижение целей».
До сих пор программные агенты «были сложны в реализации, требовали трудоемкого программирования на основе правил или специфического обучения моделей машинного обучения», — отмечают специалисты McKinsey. Однако сейчас происходят серьезные изменения.
«Gen AI меняет ситуацию. Когда агентские системы строятся с использованием базовых моделей, которые обучены на чрезвычайно больших и разнообразных неструктурированных наборах данных, а не на заранее определенных правилах, они могут адаптироваться к различным сценариям так же, как LLM могут разумно реагировать на подсказки, которым они не были явно обучены».
Использование агентами ИИ обработки естественного языка также меняет уравнение. «В настоящее время для автоматизации какого-либо сценария использования его необходимо сначала разбить на ряд правил и шагов, которые можно кодифицировать», — говорит команда McKinsey.
«Эти шаги обычно переводятся в компьютерный код и интегрируются в программные системы — зачастую дорогостоящий и трудоемкий процесс, требующий значительного технического опыта. Поскольку агентные системы используют естественный язык в качестве формы инструкций, даже сложные рабочие процессы могут быть разработаны быстрее и проще. Более того, этот процесс потенциально может быть выполнен не инженерами-программистами, а сотрудниками, не имеющими технических знаний».
Оригинал: ZDNet
Запись ZDNet: ИИ-агенты — это «следующий рубеж», который навсегда изменит нашу профессиональную среду впервые появилась K-News.