Vsi si zdaj želijo agentnega AI. Zelo malo ekip pa je odkritih glede tega, kaj to dejansko pomeni.
Na trgu se govori, kot da je agent zgolj jezikovni model z orodji. Ta pogled je preveč poenostavljen. Najtežji del agentnega AI ni agent sam. Najtežji del je sklad pod njim in operativni model okoli njega.
Koristno je o tem razmišljati kot o petplastni lestvici: AI in strojno učenje, globoko učenje, GenAI, AI agenti in nazadnje agentni AI. Vsaka plast dodaja novo zmogljivost, hkrati pa tudi nove obveznosti pri načrtovanju. Če tega razlikovanja ne upoštevate, ne boste dobili agentnega AI. Dobili boste demo, ki se sesuje, ko se sooči z resničnim svetom.
Plast 1: AI in strojno učenje podatke pretvorita v odločitve
Temelj je klasični AI in strojno učenje. Tu se sistemi učijo vzorcev iz podatkov, da bi napovedovali, razvrščali, ocenjevali, zaznali ali optimizirali. Rezultat je navadno ozek in strukturiran: ocena, kategorija, priporočilo, napoved.
Ta plast je pomembna, ker vzpostavi prvi most med surovimi podatki in podporo odločanju. Večina podjetniškega AI še vedno živi tu. Zaznavanje goljufij, napovedovanje povpraševanja, zaznavanje anomalij, razvrščanje dokumentov, priporočilni sistemi in ocenjevanje tveganj so primeri.
Ključne metode na tej plasti navadno vključujejo nadzorovano učenje, nenadzorovano učenje, verjetnostne modele, drevesne modele, metode optimizacije in inženiring značilk. Glavno vprašanje je navadno: ali sistem iz razpoložljivih podatkov zmore zanesljivo napoved ali razvrstitev?
Česar pa sam po sebi ne zmore, je avtonomno delovanje v procesu.
Plast 2: Globoko učenje razširi prepoznavanje vzorcev
Globoko učenje razširi zmogljivost AI pri zaznavi in modeliranju z uporabo nevronskih mrež, ki se učijo hierarhičnih reprezentacij. To je plast, ki je računalniški vid, prepoznavanje govora in visokorazsežnostno zaznavanje vzorcev naredila bistveno zmogljivejše.
Če nam je 1. plast dala napovedne modele, nam je 2. plast dala modele, ki se zmorejo učiti kompleksnih signalov neposredno iz slik, zvoka, jezika in tokov senzorjev, z manj ročno oblikovanimi značilkami.
Ključne tehnologije vključujejo GPUje in specializirane pospeševalnike, konvolucijske nevronske mreže, rekurentne mreže, transformatorje, vgraditve, samo-nadzorovano učenje in infrastrukturo za usposabljanje v velikem obsegu. Zmogljivost se izboljšuje z boljšimi podatki, večjo računalniško močjo, boljšimi arhitekturami in skrbnim fino nastavljanjem.
Toda tudi ta plast še ni agentna. Je zmogljivo zaznavanje in učenje reprezentacij. Še ni operativna avtonomija.
Plast 3: GenAI ustvarja in sklepa v naravnem jeziku
Generativni AI je spremenil vmesnik. Namesto zgolj razvrščanja ali napovedovanja lahko sistemi zdaj ustvarjajo besedilo, kodo, slike, povzetke, načrte in pogovorne odgovore. To je plast, ki je AI naredila dostopen nestrokovnjakom v velikem obsegu.
Tehnični preskok je prišel z velikimi transformatorskimi modeli, nastavljanjem po navodilih, generiranjem z dopolnitvijo iz baze znanja, fino nastavljanjem temeljnih modelov in zankami s povratnimi informacijami od ljudi. Izhod ni več oznaka. Pogosto je osnutek, razlaga, sinteza, možnost oblikovanja ali kos kode.
Tu mnogi nehajo razmišljati. Vidijo impresivne jezikovne rezultate in predpostavljajo, da so dosegli mejo zmogljivosti. Niso.
GenAI zna sklepati na podlagi pozivov in ustvarjati prepričljive rezultate, a je privzeto še vedno reaktiven. Čaka na vnos. Nima v lasti delovnega toka. Sam po sebi ne vzdržuje zanesljivega stanja izvajanja. Inherentno ne upravlja stopnjevanja, razveljavitve ali operativne odgovornosti.
Plast 4: AI agenti GenAI povežejo z orodji in večkoračnim delovanjem
AI agent nastane, ko je GenAI povezan z orodji, pomnilnikom, zankami načrtovanja in logiko izvajanja, tako da lahko izvaja večkoračne naloge k cilju. Tu se sistem premakne od ustvarjanja vsebine k orkestraciji nalog.
Na tej plasti ključne tehnologije vključujejo klicanje orodij, orkestracijo delovnih tokov, upravljanje stanja, sisteme pridobivanja, pomnilniške shrambe, module načrtovanja in včasih okrepljeno učenje ali logiko politike za prilagodljivo vedenje. Agent zmore pregledati kontekst, izbrati dejanja, poklicati sisteme, ovrednotiti rezultate in nadaljevati, dokler naloga ni dokončana ali stopnjevana.
To je zmogljivo, a vam samodejno še ne zagotavlja agentnega AI na ravni podjetja. Mnogi tako imenovani agenti so v resnici le veriženja pozivov z boljšim trženjem. Znajo delovati, a ne znajo nujno varno, ponavljajoče in odgovorno delovati znotraj resničnega poslovnega procesa.
Plast 5: Agentni AI je operativni model za izvajanje v obsegu
To je plast, ki jo večina ekip podcenjuje.
Agentni AI ni le agent, ki dokončuje naloge. Je avtomatizacija celotnega procesa z nadzorom, obnovitvijo, potmi odobravanja, upravljanjem, nadzori stroškov, opazovalnostjo in jasnimi predajami med človekom in strojem. Tu AI postane del operativnega modela, ne le nadgradnja na njem.
Če ne znate razložiti, kdo je lastnik procesa, kako se zaznavajo napake, kdaj posežejo ljudje, kaj se beleži, kaj se odobri in kako se sistem razveljavlja, ne gradite agentnega AI. Gradite GenAI s seznamom opravil.
Tehnologije in metode tu so manj glamurozne, a bolj odločilne: z dogodki gnana orkestracija, delovni mehanizmi, politična vrata, revizijsko beleženje, sledenje, nadzori stroškov, mehanizmi razveljavitve, obravnava izjem, integracija storitev, nadzor identitete in dostopa, pregled s človekom v zanki in okviri upravljanja, vezani na tveganje.
Tu se arhitektura sreča z upravljanjem. Lastništvo, poti stopnjevanja, meje skladnosti, metrike zmogljivosti in odgovornost postanejo prvorazredni elementi načrtovanja.
Zakaj so plasti pomembne
Pet plasti ni marketinška vaja. Pojasnjujejo, zakaj toliko AI iniciativ obtičuje med prototipom in produkcijo.
Ekipa ima morda dobre modele, a šibko procesno integracijo. Morda ima zmogljivega agenta, a brez opazovalnosti. Morda ima dobro uporabniško izkušnjo, a brez modela odobritev za občutljiva dejanja. Morda avtomatizira delovni tok, a nima rezervnega načrta, ko je agent negotov ali napačen.
Zato prehod od AI k agentnemu AI ni linearen. Je arhitekturni. Vsaka plast uvaja nov razred zmogljivosti in nov razred tveganja.
Osnovna načela za resnične agentne sisteme
- Opredelite proces, ne le poziv. Pozivi so pomembni, a operativna logika je še bolj.
- Načrtujte za omejeno avtonomijo. Sistem mora vedeti, kaj sme početi, kaj mora vprašati in česar nikoli ne sme narediti.
- Naredite stanje in kontekst eksplicitna. Resnični delovni tokovi potrebujejo pomnilnik, sledljivost in obnovljivo stanje izvajanja.
- Gradite za odpoved, ne le za uspeh. Obnovitev, razveljavitev, ponovni poskusi in stopnjevanje niso neobvezni.
- Upravljanje obravnavajte kot arhitekturo. Varnost, skladnost, odobritve in odgovornost morajo biti zasnovane od prvega dne.
- Instrumentirajte sistem. Če ne morete slediti dejanjem, stroškom, odločitvenim potem in vzorcem napak, ga ne morete upravljati v obsegu.
Kaj naj vodje podjetij vprašajo pred financiranjem »agentnega AI«
Preden odobrijo naslednjo iniciativo agentnega AI, naj voditelji zastavijo nekaj neposrednih vprašanj.
- Katero plast dejansko gradimo? Klasifikator, generativnega asistenta, agenta ali resnični operativni sistem?
- Kateri proces mu je v lasti? Ne le, kakšno nalogo zmore, temveč za kateri delovni tok je odgovoren.
- Kakšni so načini odpovedi? Napačen odgovor, napačno dejanje, napačno stopnjevanje, tiho odmikanje, eksplozija stroškov ali obhod nadzora?
- Kdo je odgovoren? Poslovni lastnik, tehnični lastnik, lastnik nadzora, pregledovalec in lastnik incidenta morajo imeti svoja imena.
- Kako vemo, da je dovolj varno za razširitev? Dokazi, metrike, revizijska sledljivost in razveljavitev morajo obstajati pred razširitvijo.
Zaključek
Prihodnost agentnega AI ne bo v rokah ekip z najbolj bleščečimi demo agenti. Biti bo v rokah ekip, ki razumejo polno lestvico od modelov do operativnega modela.
AI in strojno učenje ustvarjata napovedi. Globoko učenje razširi zaznavanje. GenAI ustvarja vsebino in jezikovne sklepe. Agenti modele povežejo z delovanjem. Agentni AI vse to pretvori v upravljan, nadzorovan in vodljiv sistem, ki zmore delovati znotraj resničnih organizacij.
To je resnični premik. Ne od modela k agentu, temveč od zmogljivosti k operativnemu modelu.