ИИ агенты - «следующий рубеж», который навсегда изменит нашу жизнь и работу

Следующий этап развития генеративного ИИ будет сосредоточен на системах, способных взаимодействовать независимо. Что эта трансформация означает для нас?

ИИ агенты, сгенерировано в приложении Kandinsky

Создание систем на основе ИИ может показаться масштабным и громоздким проектом, сопряженным с рисками. Однако появляется другой способ реализации: агенты на основе ИИ.

Генеративный ИИ добавил новые возможности агентам, настройку и управление которыми часто было сложно выполнять. Новые исследования показывают, что эти более простые в настройке сервисы привлекают внимание специалистов по технологиям и руководителей их компаний.

По данным отчета консалтинговой компании McKinsey, агенты на основе ИИ представляют собой «следующий рубеж» в развитии ИИ. В отчете прогнозируется рост влияния агентных систем, определяемых как «цифровые системы, способные независимо взаимодействовать в динамичном мире».

Хотя агентные системы существуют уже некоторое время, «возможности естественного языка генеративного ИИ открывают новые возможности, позволяя создавать системы, которые могут планировать свои действия, использовать онлайн-инструменты для выполнения этих задач, сотрудничать с другими агентами и людьми, а также учиться улучшать свою производительность», - заявила группа авторов McKinsey во главе с Ларейной Йи.

Они предположили, что следующий этап развития генеративного ИИ, вероятно, будет еще «более революционным».

«Мы наблюдаем эволюцию от инструментов, основанных на знаниях и работающих на основе генеративного ИИ, - скажем, чат-ботов, которые отвечают на вопросы и генерируют контент, - к агентам с поддержкой генеративного ИИ, которые используют базовые модели для выполнения сложных многоступенчатых рабочих процессов в цифровом мире. Проще говоря, технология переходит от мысли к действию».

Большинство из 1100 технических директоров (82%), принявших участие в недавнем опросе консалтинговой компании Capgemini, указали, что они намерены интегрировать агентов на основе ИИ в свои организации в течение следующих трех лет - по сравнению с 10% организаций, использующих функциональных агентов в настоящее время.

В отчете говорится, что семеро из десяти респондентов (70%) доверили бы агенту ИИ анализ и синтез данных, а 50% доверили бы агенту ИИ отправку профессионального электронного письма от своего имени. Около трех четвертей респондентов (75%) заявили, что намерены использовать агентов ИИ для решения таких задач, как создание и итеративное улучшение кода. К другим потенциальным задачам агентов относятся создание и редактирование проектов отчетов (70%) и контента веб-сайтов (68%), а также создание электронных писем, кодирование и анализ данных.

Агенты на базе ИИ способны выполнять самые разные роли.

«Например, виртуальный помощник может спланировать и забронировать сложный персонализированный маршрут путешествия, решая логистические вопросы на нескольких туристических платформах», - говорится в отчете McKinsey.

«Используя повседневный язык, инженер может описать новую функцию программного обеспечения агенту-программисту, который затем напишет код, протестирует, повторит и развернет инструмент, который он помог создать».

Еще один пример разработчики health tech стартапа Qventus предлагают ориентированного на клиента помощника на основе ИИ под названием Patient Concierge, который звонит пациентам и напоминает им о приемах, повторяет инструкции до и после операции, а также отвечает на общие вопросы по уходу.

Существует шесть уровней агентов ИИ, каждый из которых предлагает расширенную функциональность, как описано в руководстве, опубликованном Amazon Web Services:

Простые рефлекторные агенты: Подходят для выполнения простых задач, таких как сброс паролей. «Работают строго на основе предопределенных правил и своих непосредственных данных. Не будут реагировать на ситуации, выходящие за рамки заданного правила действия условия 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. Строят внутреннюю модель воспринимаемого ими мира и используют ее для поддержки своих решений».
Агенты, основанные на целях/правилах: Обладают более надежными возможностями рассуждений, чем рефлекторные агенты, что делает их подходящими для «более сложных задач, таких как обработка естественного языка и приложения для робототехники». Агент, основанный на целях/правилах, «сравнивает различные подходы, чтобы помочь ему достичь желаемого результата, и всегда выбирает наиболее эффективный путь».
Агенты, основанные на полезности: «Сравнивают различные сценарии и их соответствующие значения полезности или преимущества», например, помогают клиентам искать лучшие предложения авиакомпаний. «Используют сложный алгоритм рассуждений, чтобы помочь пользователям максимизировать желаемые результаты».
Обучающиеся агенты: «Постоянно учатся на предыдущем опыте, чтобы улучшить свои результаты. Используя сенсорный ввод и механизмы обратной связи, агент со временем адаптирует свой элемент обучения для соответствия определенным стандартам. Кроме того, он использует генератор задач для разработки новых задач, чтобы обучать себя на основе собранных данных и прошлых результатов».
Иерархические агенты: В этом случае агенты управляют другими агентами. «Агенты более высокого уровня разбивают сложные задачи на более мелкие и назначают их агентам более низкого уровня. Каждый агент работает независимо и представляет отчет о ходе работы своему курирующему агенту. Агент более высокого уровня собирает результаты и координирует работу подчиненных агентов, чтобы гарантировать, что они коллективно достигнут целей».

До сих пор ИИ агентов «было сложно внедрять, поскольку для этого требовалось трудоемкое программирование на основе правил или узкоспециализированное обучение моделей машинного обучения», - отметила команда McKinsey. Однако сейчас происходит серьезный сдвиг.

«Генеративный ИИ меняет это. Когда агентные системы строятся с использованием базовых моделей, которые были обучены на чрезвычайно больших и разнообразных неструктурированных наборах данных, а не на предопределенных правилах, они получают потенциал для адаптации к различным сценариям так же, как большие языковые модели могут разумно реагировать на запросы, на которых они не были специально обучены».

Ну и простыми словами. Агенты на основе ИИ могут взять на себя рутинные задачи, освободив наше время для творчества и общения. Они изменят то, как мы работаем, учимся и отдыхаем.

Будущее уже близко!