I de senere år er AI blevet den nye Klondike, hvilket har udløst en guldfeber, der får momentum med hver ny tendens. Et af de nyeste buzzwords i denne AI-feber er "AI-agent." Men hvad betyder det egentlig? En robotisk James Bond?

Nye teknologitrends lever sjældent op til hypen, og AI-terminologien er allerede rodet og overcrowded med flere misforståelser. At tilføje endnu et udtryk som "AI-agent" kan virke unødvendigt. Når alt kommer til alt, har implementering af teknologi for teknologiens skyld ofte ført til dyre fejl og dårlige afkast. Men AI-agenter kan være anderledes. Selvom de måske ikke kommer udstyret med gadgets og en tør martini a la en bestemt 007 - i det mindste ikke endnu - har de potentialet til at levere reel, håndgribelig værdi.

Motiveret af løftet om AI-agenter sigter denne artikel mod at udforske deres værdi, praktiske anvendelser, hvordan de fungerer, og hvordan de adskiller sig fra det lige så populære koncept af AI-assistenter.

Jeg tænker, derfor er jeg… En AI-agent

Mens det berømte citat fra den franske filosof René Descartes måske er lidt af en strækning her, er det en passende måde at illustrere, hvordan AI-agenter adskiller sig fra AI-assistenter. Mens en assistent kan udføre kommandoer som "skriv en sang," er den helt afhængig af menneskelig input for at vide, hvilken opgave den skal udføre. I modsætning hertil kan en AI-agent ræsonnere, træffe beslutninger og autonomt udføre handlinger uden at have brug for direkte instruktioner for hver enkelt trin.

Et håndgribeligt eksempel - Johns planteforretning.

John driver en lille virksomhed, der sælger planter. For nogle år siden begyndte han at indsamle data om, hvilke planter der sælger bedst i forskellige sæsoner. Men at drive butikken giver ham kun lidt tid til at analysere data. Heldigvis har han en troværdig AI-assistent. Hver gang John bemærker et fald i salget, spørger han assistenten, "Hvilke planter er i sæson?" Baseret på assistentens svar beslutter John, hvad han skal bestille, og formår at øge sit salg.
Mens assistenten tilfører værdi til Johns virksomhed, afhænger dens nytteværdi helt af, hvor godt John bruger den. John træffer stadig alle de kritiske beslutninger, såsom hvilke præcise planter der skal købes, i hvilke mængder og hvornår.

Forestil dig nu, at John havde en AI-agent i stedet. AI-agenten er tilsluttet Johns salgsdata og har adgang til hjemmesiden, hvor han bestiller sit lager af planter. AI-agenten overvåger kontinuerligt Johns lager og årstiderne. Baseret på historiske data og nuværende tendenser ræsonnerer agenten om, hvilke planter der skal bestilles, og i hvilke mængder.
John er begejstret for, hvor meget arbejde AI-agenten automatiserer. Han er dog også lidt nervøs for at give for meget kontrol til systemet. For at imødekomme denne bekymring tilføjes “human-in-the-loop” funktionalitet til agenten. Dette betyder, at før agenten lægger nogen ordrer, bliver John informeret og har mulighed for at godkende eller afvise købet.

For at opsummere:

• AI-assistent: Er afhængig af Johns input for at fungere - og værdien er begrænset af, hvor meget input John giver.

• AI-agent: Bruger data til autonomt at ræsonnere og træffe beslutninger, hvilket tilbyder værdi, der ikke afhænger af Johns inputniveau.

AI-agent anvendelsestilfælde

Forhåbentlig har eksemplet med Johns planteforretning givet en klar skelnen mellem AI-agenter og AI-assistenter. Men du kunne stadig undre dig over, hvad AI-agenter egentlig kan gøre?

Heldigvis implementeres AI-agenter allerede i forskellige anvendelsestilfælde, der fremhæver de specifikke smertepunkter, de kan adressere, og den værdi, de skaber. Følgende eksempler viser AI-agenternes potentiale i virkelige anvendelser fra forskellige domæner.

Forskning & Udvikling:

• Smerte: Processen med at udføre forskning og udvikling kræver adskillige trin med manuelt arbejde i søgningen efter tidligere artikler og screening af sammendrag. Dette er ofte baseret på statiske søgeforespørgsler med begrænsede syntaktiske muligheder. Dette fører til manuel overhead og øget risiko for fejl.

• Værdi: AI-agenter (og AI-assistenter) kan forbedre processen med forskning og udvikling ved at forbedre kvaliteten og tiden for videnskabelig informationsindhentning og screeningsprocessen. Forskere ville spare tid på at skabe søgeforespørgsler og spare tid på at skulle gennemgå færre artikler.

• Kapacitet: At bruge AI-agenter til at støtte screeningen og vurderingen af videnskabelige studier baseret på tekstinput om inklusions- og eksklusionskriterier.
  
  

Handel - Energi & Råvarer:

• Smerte: At navigere i komplekse markeder og placere ordrer manuelt kan være tidskrævende med flere trin, der øger chancen for fejl. Især når man overvåger svingende priser.

• Værdi: AI-agenter forenkler handelsprocessen ved autonomt at overvåge markedsforhold, identificere muligheder og placere ordrer for bestemte mængder, alt imens de holder en menneskelig godkendelse i loopet.

• Kapacitet: Ved at kombinere markedsdataanalyse og naturlig sprogbehandling, forstår AI-agenter instruktioner såsom "køb 10 muligheder for produkt X til pris Y" og udfører opgaven effektivt. Dette førte til hurtigere og lettere handelsudførelse, hvilket sparer ~ 1 minut på transaktioner, samtidig med at det reducerer fejlrat og risiko for fejl.  
  
  

Email søgning og effektivitet:

• Smerte: De fleste mennesker i erhvervslivet kæmper med at søge igennem tusindvis af e-mails for et specifikt nøgleord, tidsstempel eller kontekst. Det er en trættende og ineffektiv proces for de fleste, men meget almindelig.

• Værdi: AI-agenter reducerer drastisk søgetiden ved at forstå abstrakte forespørgsler som "Find e-mailen fra min chef, hvor han tilføjede input til min finansielle præsentation" og præcist pege på den nøjagtige e-mail.

• Kapacitet: Ved at udnytte forståelse af naturligt sprog og kontekstuel søgning, kan AI-agenter fortolke og udføre nuancerede, menneskelignende søgekommandoer. Et af de centrale eksempler på dette er https://superhuman.com/, hvor kunder oplever værdi i form af tid, der spares og større kapacitet.

Forsyningskæde - Efterspørgselsplanlægning

• Smerte: En almindelig udfordring er at håndtere efterspørgselsplanlægningsprocessen i frontlinjen. Dette kan være på gulvet i detailbutikker, i lagerstyring eller i produktionsplanlægning. På tværs af disse scenarier skal en kombination af historisk efterspørgsel og prognoser kombineres med ordrer, planlægning og logistik.

• Værdi: AI-agenter kan hjælpe med at lette og modne efterspørgselsplanlægningsprocessen ved at give effektiv og præcis hjælp i udførelsen.

• Kapacitet: Kombination af information fra historiske data og prognoser med arbejdsgange og eksterne faktorer.

Finansiel Analyse:

• Smerte: Finansprofessionelle udfører ofte gentagne analyser og kontrol manuelt ved at sammenligne Excel-ark eller flere datasæt. 

• Værdi: AI-agenter kan give accelereret finansiel analyse og kontrol, der er skræddersyet til organisationens og domænets behov.

• Kapacitet: Anvendelsestilfældet for dette kan være både internt og eksternt. I JP Morgan omfatter en del af "LLM Suite" udrulningen muligheden for medarbejdere at få intern støtte fra AI-agenter og AI-assistenter i finansiel analyse.

Ide til kode

• Smerte: Inkrementel udvikling med AI-assistenter kræver ofte konstant manuel intervention og mangler fremadskuende gennemsigtighed for komplekse bygninger.

• Værdi: AI-agenter kan autonomt ræsonnere gennem de trin, der er nødvendige for at bygge en applikation fra en idé, hvilket reducerer manuel arbejdsbyrde og fremskynder udviklingen.

• Kapacitet: Ved at ræsonnere om det samlede projekt kan AI-agenter generere sammenhængende, sekvenceret kode, der stemmer overens med den tilsigtede applikationsarkitektur.
  
  

E-handel

• Smerte: Kunder står ofte overfor hindringer som ufuldstændige transaktioner, begrænset personalisering eller mangel på opfølgningskommunikation.

• Værdi: AI-agenter forbedrer e-handelsoplevelsen ved at placere ordrer, spore forsendelser, facilitere billedbaserede søgninger, sende påmindelser om forladte indkøbskurve og give personlige anbefalinger baseret på tidligere køb.

• Kapacitet: Gennem integration med e-handelsplatforme analyserer AI-agenter kundeadfærd, får adgang til realtidsdata og tilbyder skræddersyede interaktioner for at drive salg og kundeloyalitet. Shopify er et godt eksempel på dette (https://www.shopify.com/magic).

Hvordan fungerer AI-agenter?

Næste sektion af denne artikel dykker ned i de tekniske fundamenter, der gør det muligt for AI-agenter at fungere autonomt. I hjertet af det, der gør AI-agenter unikke, er deres evne til at ræsonnere og tage handlinger baseret på denne ræsonnering. For at forstå, hvad ræsonnering betyder for AI-agenter, er det væsentligt at vide, hvad byggeklodserne af AI-agenter er og forstå kontrollogik-konceptet.

Byggeklodser af AI-agenter

De grundlæggende komponenter af AI-agenter arbejder sammen for at muliggøre ræsonnering, beslutningstagning og udførelse af handlinger. Disse byggeklodser inkluderer:

1. Store Sprogmodeller (LLMs): LLMs fungerer som den kognitive motor i mange AI-agenter. Uddannet på store mængder tekstdata, giver disse modeller evnen til at fortolke sprog, generere sammenhængende svar og ræsonnere gennem komplekse opgaver. LLMs fungerer som den primære kilde til "viden" og generelle problemløsningskapaciteter for AI-agenter.

2. Værktøjer: Værktøjer udvider kapaciteterne for AI-agenter ud over deres sprogmodeller. Disse inkluderer API'er, scripts, databaser eller softwareprogrammer, som agenter kan aktivere for at udføre specialiserede opgaver, såsom at hente realtidsinformation, analysere data eller udføre komplekse arbejdsgange. Værktøjer er essentielle for at integrere agentens logik med det eksterne miljø.

3. Data: AI-agenter er afhængige af data som input under operationen for at træffe informerede beslutninger. Dette kan omfatte strukturerede data (som databaser), ustrukturerede data (som tekst eller billeder) og realtidsinput fra brugerinteraktioner eller eksterne sensorer. Adgang til relevante og opdaterede data gør det muligt for AI-agenter at tilpasse sig ændrede miljøer.

4. Generelle Softwarekomponenter: Disse komponenter giver infrastrukturen og støttesystemerne, der er nødvendige for, at AI-agenter fungerer effektivt. De inkluderer rammer og biblioteker, der håndterer hukommelse, netværksprotokoller, brugergrænseelementer og integration med eksterne systemer. Softwarekomponenter er fundamentet for AI-agenter og sikrer, at de interagerer problemfrit med deres miljø.

Synergien mellem LLM'er, værktøjer, data og softwarekomponenter gør det muligt for agenter at fortolke input, behandle informationer og udføre handlinger på en måde, der efterligner menneskelig ræsonnering og adfærd. Ved at kombinere disse komponenter kan AI-agenter bygge bro mellem statiske, foruddefinerede programmer og dynamiske, intelligente systemer, der er i stand til autonom handling.

Kontrollogik

Kontrollogik, et grundlæggende princip inden for ingeniørkunst og datalogi, henviser til det sæt af regler, algoritmer eller systemer, der dikterer, hvordan en proces eller et system opfører sig. Det bestemmer, hvordan input fortolkes, beslutninger træffes, og handlinger udføres for at opnå et ønsket resultat. I bund og grund definerer kontrollogik vejen fra input til output, med elementerne langs den vej, der dikterer, hvilke handlinger der udføres imellem de to.

Når det anvendes på AI-agenter, er der to hovedformer for kontrollogik, der er relevante: programmatisk kontrollogik og agent-drevet ræsonnering:

• Programmatisk kontrollogik afhænger af faste, regelbaserede instruktioner, der dikterer en agents adfærd og sikrer forudsigelige resultater inden for definerede parametre. Denne tilgang er værdifuld i strukturerede miljøer med klare og konsekvente regler, hvor konsistens, præcision og striks overholdelse af retningslinjer er vigtigere end tilpasning eller ræsonnering.
  
  

• Agent-drevet ræsonnering derimod giver AI-agenter mulighed for at tilpasse sig dynamisk og optimere resultater i komplekse og usikre situationer. Denne ræsonnering gør det muligt for AI-agenter at bestemme vejen mellem input og output, autonomt beslutte, hvilke handlinger der skal tages. Det gør dem i stand til at fungere effektivt i dynamiske miljøer ved at udnytte de tilgængelige data og den lærte logik fra store sprogmodeller (LLM'er). Som et resultat kan AI-agenter navigere i tvetydighed og udføre opgaver, der kræver fleksibilitet og kritisk tænkning.

I mange virkelige scenarier, hvor forholdene er dynamiske og uforudsigelige, bliver stivheden af programmatisk kontrollogik en væsentlig begrænsning. I sådanne tilfælde excellerer AI-agenter på grund af deres evne til at ræsonnere og tilpasse sig, hvilket gør dem bedre i stand til at håndtere kompleksiteten og udsvingene i virkelige miljøer.

Teknologihåndteringen omkring AI-agenter

At forstå AI-agenter, AI-agentkomponenter og grænseflader kræver ofte et overblik over den teknologi-stack, der er involveret. Fra de mest almindelige opfattelser omkring grundlæggende modeller til AI-agent specifik teknologi. Nedenfor er en tech stack oversigt med de vigtigste konceptuelle teknologilags med nogle af de mest almindelige teknologier/leverandører: