Что такое ИИ-агенты: какие бывают, чем отличаются от ChatGPT, где используются
В конце статьи — полезные ссылки для создания своего агента.
На ИТ-конференции Microsoft Ignite в ноябре 2024 года компания рассказала о достижениях своей модели Copilot в создании ИИ-агентов. Теперь пользователи Microsoft Teams могут создавать своих агентов, которые выполнят за них рутинные задачи вроде отправки писем. А ещё есть библиотека с шаблонами для типичных сценариев, например планирования отпусков и обработки заказов.
В этом материале — ответы на вопросы, что такое ИИ-агент, в чём он похож на ChatGPT и чем отличается, какие бывают виды агентов и как создать своего.
Содержание:
Чем ИИ-агент отличается от ChatGPT
ИИ-агенты (они же AI-агенты, от англ. Artificial Intelligence) — это программы или системы. Они получают информацию из внешней среды и совершают какое-то действие в ответ. Причём делают это автономно — участие человека здесь не требуется.
Чат-бот работает на основе искусственного интеллекта и отвечает на запросы пользователя, решая конкретную задачу и постепенно обучаясь. Он запускается только по инициативе человека, так что его нельзя назвать полностью автономным. Из-за этого есть разные мнения, считать ли чат-бота агентом или нет.
Если очень упростить, чат-бот — один из десятков видов ИИ-агентов.
Ниже — сравнительная таблица ИИ-агента и ChatGPT, которая поможет лучше понять их особенности и различия:
Какие бывают ИИ-агенты
Простой рефлекторный агент (simple reflex agents)
Пример: космический аппарат, который собирает все образцы грунта, которые ему попадаются.
«Рефлекторный» здесь означает реакцию на события в окружающей среде. Устроен ИИ-агент очень просто: получает какой-то внешний стимул и реагирует по тем правилам и сценариям, которые в него заложены. Схему можно описать так: «если произойдёт событие X, нужно сделать Y».
Простой рефлекторный агент не хранит в памяти информацию о прошлом опыте и не обучается на новых данных. Зато стабильно решает повседневные задачи, в которых мало что меняется.
Рефлекторный агент на основе модели (model-based reflex agents)
Пример: робот для влажной уборки, который запоминает, какие зоны уже вымыл.
Агент очень похож на предыдущего, с тем отличием, что в него встроена обучаемая модель. Это позволяет принимать решения не только на основе текущей ситуации — он запоминает свои действия и оценивает их успешность. А затем использует свои знания в подходящий момент.
Этот агент требует большей мощности, чем простой рефлекторный. А качество его работы зависит напрямую от модели: если она плохо обучается, то и решения будут не лучшими.
Агент на основе целей (goal-based agents)
Пример: виртуальный помощник, который отвечает на запросы пользователя.
Получает конкретную задачу и придумывает, как её решить: через планирование, обучение или адаптацию. С помощью алгоритмов «перебирает» возможные варианты решения. Этот агент ориентирован на будущее, а не на настоящее, как предыдущие два.
Он улучшается со временем. Чем больше задач выполнит, тем более продвинутыми будут решения.
Агент на основе полезности (utility-based agent)
Пример: сервис заказа такси с динамическим ценообразованием.
Агент очень похож на того, который работает с целями. Он тоже принимает решение по конкретной задаче, только умеет делать взвешенный выбор в зависимости от контекста. Например, в случае заказа такси он будет учитывать такие факторы, как время суток, загруженность дорог, спрос со стороны пассажиров.
У агента на основе полезности должны быть эффективные алгоритмы, которые умеют предсказывать развитие разных сценариев. Это надёжный помощник в принятии решений и их автоматизации.
Обучающийся агент (learning agent)
Пример: стриминговый сервис с рекомендательной системой, которая подстраивается под запросы пользователя.
Эти агенты самые продвинутые. Они тренируют себя на своих же решениях, доступных внешних данных, обратной связи. Но есть и ограничения. Например, таким агентам нужно очень много данных и большие мощности для их обработки. А также необходимо задавать рамки в принятии решения, в частности касающиеся этики и безопасности.
Внутри типов ИИ-агентов есть пересечения. Каждый следующий агент имеет основу предыдущего и какую-то новую функцию или возможность. Иногда один и тот же агент можно отнести сразу к нескольким типам: например, виртуальный помощник и решает цели, и обучается.
Где ещё используют ИИ-агентов
- Транспорт. Беспилотный автомобиль работает по принципу ИИ-агента. Сенсоры в системе сканируют ситуацию на дороге — например, нет ли на проезжей части пешехода или препятствия, не стоит ли знак ограничения скорости — и принимают решение.
- Забота о здоровье. Умные часы могут собирать информацию о состоянии человека и вовремя сигнализировать об опасных изменениях. Более продвинутый пример — робот-хирург, который помогает врачам минимально травмировать ткани и проводить операции как можно точнее.
- Игровая индустрия. Неигровые персонажи (non-player characters) не просто заменяют соперника в виде человека. Они обучаются на поведении игрока, чтобы предложить ему более сложные челленджи.
- Кибербезопасность. Агенты за секунды обрабатывают огромные массивы данных и выявляют аномалии, чтобы спрогнозировать возможные атаки. Другая польза в том, что они распознают вредоносное ПО (Kaspersky тоже относится к агентам).
- Исследования космоса. ИИ помогает учёным в анализе изображений с телескопов — возможно, он будет первым, кто обнаружит жизнь на других планетах. Также агенты автономно управляют зондами и спутниками.
Как создать своего ИИ-агента
Настроить простого чат-бота можно без навыков программирования. Для это есть специальные конструкторы, например Robochat для Telegram и «ВКонтакте» или Leadtex для разных каналов, включая WhatsApp. Как правило, в таких конструкторах доступен визуальный редактор для быстрого настраивания сценариев работы бота, есть возможность интеграции со сторонними сервисами, в том числе платёжными системами.
Для создания более продвинутых ИИ-агентов понадобится код. В Microsoft Teams есть отдельная страница с инструкцией по сборке своего агента. А инструменты от OpenAI (компании, создавшей ChatGPT) ускорят разработку готовыми решениями и автотестированием. Так, можно интегрировать языковую модель, описать поведение ассистента, добавить вспомогательные инструменты — и запустить код. Вот пример для языка Python:
import openai openai.api_key = "your_api_key_here" # Load this securely from your environment variables assistant = openai.Assistant.create( name="Math Tutor", instructions="You are a personal math tutor. Write and run code to answer math questions.", tools=[{"type": "code_interpreter"}], model="gpt-4-1106-preview" )
С какими примерами ИИ-агентов вы встречались? Был ли у вас опыт их использования? Расскажите в комментариях.
С ИИ-агентами я встречался, когда они пытались объяснить людям, что выключатель света не связан с Wi-Fi, или когда кто-то упорно диктовал голосовому ассистенту текст вместо того, чтобы просто набрать его. Но самый эпичный момент был, когда коллега спросил ИИ: 'А ты точно не украдешь мою работу?', а тот ответил: 'Только если ты продолжишь использовать Caps Lock вместо Shift!' 😅