Kas yra agentinis dirbtinis intelektas?

Trumpai tariant: agentinės sistemos ne tik atsako į klausimus – jos planuoja, veikia ir iteruoja siekdamos tikslų minimaliai prižiūrimos. Jos iškviečia įrankius, naršo duomenis, koordinuoja dalines užduotis ir netgi bendradarbiauja su kitais agentais, kad pasiektų rezultatų. Tokia yra antraštė. Įdomu tai, kaip tai veikia praktiškai ir ką tai reiškia komandoms šiandien. 

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Kas yra dirbtinio intelekto mastelio keitimas?
Sužinokite, kaip keičiamo mastelio dirbtinis intelektas palaiko augimą, našumą ir patikimumą.

🔗 Kas yra dirbtinis intelektas
Suprasti pagrindines dirbtinio intelekto koncepcijas, galimybes ir realaus pasaulio verslo programas.

🔗 Kas yra paaiškinamas dirbtinis intelektas
Sužinokite, kodėl paaiškinamas dirbtinis intelektas didina pasitikėjimą, atitiktį reikalavimams ir geresnius sprendimus.

🔗 Kas yra dirbtinio intelekto treneris
Sužinokite, ką dirbtinio intelekto instruktoriai daro, kad patobulintų ir prižiūrėtų modelius.

Kas yra Agentinis AI – supaprastinta versija 🧭

Kas yra agentinis dirbtinis intelektas (DI), trumpai tariant: tai DI, kuris gali savarankiškai nuspręsti, ką daryti toliau, kad pasiektų tikslą, o ne tik atsakyti į raginimus. Neutraliai kalbant apie tiekėją, jis sujungia samprotavimus, planavimą, įrankių naudojimą ir grįžtamojo ryšio ciklus, kad sistema galėtų pereiti nuo ketinimų prie veiksmų – daugiau „atlikti“, mažiau „pirmyn ir atgal“. Pagrindinių platformų apibrėžimai sutampa šiais punktais: autonominis sprendimų priėmimas, planavimas ir vykdymas su minimaliu žmogaus įsikišimu [1]. Gamybos paslaugos apibūdina agentus, kurie derina modelius, duomenis, įrankius ir API, kad atliktų užduotis nuo pradžios iki pabaigos [2].

Įsivaizduokite gabų kolegą, kuris perskaito instrukciją, renka išteklius ir pateikia rezultatus – stebėdamas, o ne laikydamas už rankos.

Kas daro agentinį dirbtinį intelektą gerą ✅

Kodėl toks ažiotažas (o kartais ir nerimas)? Kelios priežastys:

• Orientacija į rezultatus: agentai tikslą paverčia planu, tada vykdo veiksmus, kol jie bus baigti, arba darbas be kliūčių, kurį atliks žmonės, atlikdami sukamąją kėdę [1].

• Įrankių naudojimas pagal numatytuosius nustatymus: jie neapsiriboja tekstu; jie iškviečia API, užklausia žinių bazes, iškviečia funkcijas ir suaktyvina darbo eigas jūsų steke [2].

• Koordinatorių modeliai: prižiūrėtojai (dar vadinami maršrutizatoriais) gali priskirti darbą specialistams agentams, taip pagerindami sudėtingų užduočių pralaidumą ir patikimumą [2].

• Refleksijos ciklai: tvirtos konfigūracijos apima savęs vertinimo ir pakartotinio bandymo logiką, kad agentai pastebėtų, kada jie nukrypsta nuo kurso, ir elgtųsi teisingai (pagalvokite: planuoti → veikti → peržiūrėti → tobulinti) [1].

Agentas, kuris niekada neatspindi situacijos, yra tarsi palydovinė navigacija, kuri atsisako perskaičiuoti – techniškai gerai, praktiškai erzina.

Generatyvus ir agentinis – kas iš tikrųjų pasikeitė? 🔁

Klasikinė generatyvinė dirbtinio intelekto sistema atsako gražiai. Agentinė dirbtinio intelekto sistema pateikia rezultatus. Skirtumas yra orkestravimas: kelių etapų planavimas, aplinkos sąveika ir iteracinis vykdymas, susietas su nuolatiniu tikslu. Kitaip tariant, pridedame atminties, įrankių ir politikų, kad sistema galėtų atlikti , o ne tik sakyti [1][2].

Jei generatyviniai modeliai yra gabūs praktikantai, tai agentinės sistemos yra jaunesnieji specialistai, kurie gali susigaudyti formose, iškviesti tinkamas API ir sėkmingai užbaigti darbą. Galbūt šiek tiek perdėta, bet jūs suprantate esmę.

Kaip agentinės sistemos veikia po gaubtu 🧩

Svarbiausi elementai, apie kuriuos išgirsite:

1. Tikslo vertimas → užduotis tampa struktūrizuotu planu arba grafiku.

2. Planuotojo–vykdytojo ciklas → pasirenkamas kitas geriausias veiksmas, vykdomas, įvertinamas ir kartojamas.

3. Įrankių iškvietimas → iškviečiami API, paieškos, kodo interpretatoriai arba naršyklės, kad paveiktų pasaulį.

4. Atmintis → trumpalaikė ir ilgalaikė būsena konteksto perkėlimui ir mokymuisi.

5. Vadovas / maršrutizatorius → koordinatorius, kuris skiria užduotis specialistams ir vykdo politiką [2].

6. Stebimumas ir apsauginiai barjerai → pėdsakai, politikos kryptys ir patikrinimai, skirti elgesiui išlaikyti ribose [2].

Taip pat pamatysite agentinį RAG : paiešką, kuri leidžia agentui nuspręsti kada ieškoti, ko ieškoti ir kaip naudoti rezultatus daugiapakopiame plane. Tai mažiau madingas žodis, labiau praktiškas pagrindinio RAG atnaujinimas.

Realaus pasaulio panaudojimas, kuris nėra vien demonstracijos 🧪

• Įmonės darbo eigos: bilietų atranka, pirkimų etapai ir ataskaitų generavimas, atitinkantis tinkamas programas, duomenų bazes ir strategijas [2].

• Programinės įrangos ir duomenų operacijos: agentai, kurie atidaro problemas, sukuria ataskaitų suvestines, pradeda testus ir apibendrina skirtumus – su žurnalais, kuriuos gali sekti jūsų auditoriai [2].

• Klientų aptarnavimas: suasmenintas informavimas, CRM atnaujinimai, žinių bazės paieška ir atitikimo reikalavimams atsakymai, susieti su strategijomis [1][2].

• Tyrimai ir analizė: literatūros nuskaitymas, duomenų valymas ir atkuriamos užrašų knygelės su audito takeliais.

Greitas, konkretus pavyzdys: „pardavimų operacijų agentas“, kuris perskaito susitikimo pranešimą, atnaujina galimybę jūsų CRM sistemoje, parengia tolesnio el. laiško juodraštį ir užregistruoja veiklą. Jokių dramų – tik mažiau smulkių užduočių žmonėms.

Įrankių apdirbimas kraštovaizdyje – kas ką siūlo 🧰

Keletas įprastų atspirties taškų (sąrašas nebaigtas):

• „Amazon Bedrock“ agentai → kelių pakopų orkestravimas su įrankių ir žinių bazės integracija, taip pat prižiūrėtojo šablonais ir apsauginiais turėklais [2].

• „Vertex AI Agent Builder“ → ADK, stebimumo ir saugumo funkcijos, skirtos užduotims planuoti ir vykdyti su minimaliu žmogaus įsikišimu [1].

Atvirojo kodo orkestravimo sistemų gausu, tačiau kad ir kokį kelią pasirinktumėte, tie patys pagrindiniai modeliai kartojasi: planavimas, įrankiai, atmintis, priežiūra ir stebimumas.

Momentinių nuotraukų palyginimas 📊

Tikros komandos vis tiek diskutuoja apie tai – traktuokite tai kaip krypties žemėlapį.

Kainos skiriasi priklausomai nuo naudojimo; visada patikrinkite tiekėjo kainoraštį.

Architektūros modeliai, kuriuos iš tikrųjų pakartotinai panaudosite 🧱

• Planuoti → vykdyti → apmąstyti: planuotojas nubraižo žingsnius, vykdytojas veikia, o kritikas peržiūri. Kartokite, kol bus baigta arba perkelta į eskalaciją [1].

• Vadovas su specialistais: koordinatorius nukreipia užduotis nišos agentams – tyrėjui, programuotojui, testuotojui, recenzentui [2].

• Smėlio dėžės tipo vykdymas: kodo įrankiai ir naršyklės veikia apribotose smėlio dėžėse su griežtais leidimais, žurnalais ir išjungimo jungiklių lentelėmis gamybos agentams [5].

Mažas prisipažinimas: dauguma komandų pradeda su per daug agentų. Tai viliojanti. Pradėkite dirbti su minimaliu agentų skaičiumi tik tada, kai pagal metriką jų reikia.

Rizika, kontrolė ir kodėl valdymas yra svarbus 🚧

Agentinis DI gali atlikti realų darbą, o tai reiškia, kad netinkamai sukonfigūruotas arba užgrobtas jis gali padaryti ir realios žalos. Dėmesys:

• Greitas įskiepijimas ir agento užgrobimas: kai agentai nuskaito nepatikimus duomenis, kenkėjiškos instrukcijos gali pakeisti elgesį. Pirmaujantys institutai aktyviai tiria, kaip įvertinti ir sušvelninti šios klasės riziką [3].

• Privatumo atskleidimas: mažiau „praktinių veiksmų“, daugiau leidimų – atidžiai susiekite prieigą prie duomenų ir tapatybę (mažiausių privilegijų principas).

• Vertinimo branda: į patrauklius etaloninius balus žiūrėkite atsargiai; pirmenybę teikite užduoties lygio, kartojamiems vertinimams, susietiems su jūsų darbo eiga.

• Valdymo sistemos: derinkite jas su struktūrizuotomis gairėmis (vaidmenimis, politika, matavimais, rizikos mažinimu), kad galėtumėte parodyti deramą kruopštumą [4].

Techniniams valdymo tikslams politiką derinkite su smėlio dėžės principu : izoliuokite įrankius, pagrindinius kompiuterius ir tinklus; registruokite viską; ir pagal numatytuosius nustatymus atmeskite viską, ko negalite stebėti [5].

Kaip pradėti kurti pragmatišką kontrolinį sąrašą 🛠️

1. Pasirinkite platformą pagal savo kontekstą: jei naudojate AWS arba „Google Cloud“, jų agentas sklandžiai integruojasi [1][2].

2. Pirmiausia apibrėžkite apsauginius barjerus: įvestis, įrankius, duomenų apimtis, leidžiamuosius sąrašus ir eskalavimo kelius. Susiekite didelės rizikos veiksmus su aiškiu patvirtinimu [4].

3. Pradėkite nuo siauro tikslo: vieno proceso su aiškiais KPI (sutaupytas laikas, klaidų dažnis, SLA atitikimų dažnis).

4. Instrumentuokite viską: pėdsakus, įrankių iškvietimų žurnalus, metrikas ir žmonių grįžtamojo ryšio ciklus [1].

5. Pridėkite refleksiją ir pakartotinius bandymus: pirmosios pergalės paprastai gaunamos iš išmanesnių ciklų, o ne iš didesnių modelių [1].

6. Bandomasis testas „smėlio dėžėje“: prieš platų diegimą paleiskite su ribotais leidimais ir tinklo izoliacija [5].

Kur link juda rinka 📈

Debesijos paslaugų teikėjai ir įmonės vis labiau gilinasi į agentų galimybes: formalizuoja kelių agentų veikimo modelius, prideda stebimumo ir saugumo funkcijas, o politiką ir tapatybę daro svarbiausiomis. Esmė – perėjimas nuo asistentų, kurie siūlo, prie agentų, kurie daro, naudojant apsauginius barjerus, kad jie liktų eilėje [1][2][4].

Platformos primityvams bręstant, tikėkitės daugiau konkrečiai sričiai skirtų agentų – finansų operacijų, IT automatizavimo, pardavimo operacijų.

Spąstai, kurių reikia vengti – nestabilios dalys 🪤

• Per daug įrankių, atidengtų: kuo didesnis įrankių diržas, tuo didesnis sprogimo spindulys. Pradėkite nuo mažų.

• Jokių eskalavimo būdų: be žmogaus perdavimo agentai susiduria su ciklišku procesu arba, dar blogiau, elgiasi užtikrintai ir neteisingai.

• Tunelinio matymo etalonas: sukurkite savo vertinimus, kurie atspindi jūsų darbo eigą.

• Valdymo ignoravimas: paskirkite politikos, peržiūrų ir raudonojo komandavimo savininkus; susiekite valdiklius su pripažinta sistema [4].

DUK žaibo apvalumas ⚡

Ar agentinis DI tėra RPA su teisės magistro (LLM) specialybėmis? Ne visai. RPA vadovaujasi deterministiniais scenarijais. Agentinės sistemos planuoja, parenka įrankius ir prisitaiko operatyviai – su neapibrėžtumu ir grįžtamojo ryšio ciklais [1][2].
Ar tai pakeis žmones? Tai perkrauna pasikartojančias, daugiapakopes užduotis. Smagus darbas – vertinimas, skonio vertinimas, derybos – vis tiek yra žmogiškas.
Ar man reikia kelių agentų nuo pirmos dienos? Ne. Daug pergalių ateina iš vieno gerai instrumentuoto agento su keliais įrankiais; pridėkite vaidmenų, jei jūsų metrika tai pateisina.

Per ilgai neskaičiau 🌟

Kas praktiškai yra agentinis dirbtinis intelektas ? Tai suderintas planavimo, įrankių, atminties ir politikų rinkinys, leidžiantis dirbtiniam intelektui pereiti nuo kalbėjimo prie užduoties. Vertė išryškėja, kai nustatomi siauri tikslai, anksti nustatomi apsauginiai barjerai ir viskas yra instrumentuojama. Rizika yra reali – užgrobimas, privatumo pažeidimas, nepastovus vertinimas – todėl remkitės nusistovėjusiomis sistemomis ir „smėlio dėžės“ principu. Kurkite mažus projektus, obsesyviai vertinkite, plėskite užtikrintai [3][4][5].

Nuorodos

1. „Google Cloud“ – kas yra agentinis dirbtinis intelektas? (apibrėžimas, sąvokos). Nuoroda

2. AWS – automatizuokite užduotis savo programoje naudodami dirbtinio intelekto agentus. („Bedrock“ agentų dokumentacija). Nuoroda

3. NIST techninis tinklaraštis – dirbtinio intelekto agentų užgrobimo vertinimo stiprinimas. (rizika ir vertinimas). Nuoroda

4. NIST – Dirbtinio intelekto rizikos valdymo sistema (DI RMF). (valdymas ir kontrolė). Nuoroda

5. JK Dirbtinio intelekto saugos institutas – „Inspect: Sandboxing“ (techninės smėlio dėžės gairės). Nuoroda

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus