Agen AI-Multi-Agent Systems di Zaman AI generatif

Namun, penting juga untuk mengenali bahwa model bukan solusi independen, melainkan komponen utama dalam arsitektur yang lebih besar. Model -model ini memainkan peran penting, tetapi hanya bagian dari ekosistem yang memungkinkan pemecahan masalah yang efektif. Untuk mengeksploitasi potensi penuh aplikasi AI generatif, penting untuk mengatur komponen yang tepat untuk aplikasi tertentu. Contohnya adalah penggabungan database dengan model suara besar (LLM) dalam sistem RAG (generasi pengambilan mata).

Suatu pendekatan untuk menyusun aplikasi AI generatif adalah untuk membaginya menjadi unit terpisah, yang disebut agen. Sebagai aturan, setiap agen ditugaskan peran dan tugas tertentu sehingga dapat memproses aspek -aspek tertentu dari masalah tersebut. Dengan bekerja (dan mungkin mengatur diri mereka sendiri) sebagai sebuah tim, agen -agen ini mungkin lebih mudah dikelola.

Apa itu agen?

Stuart Russell dan Peter Norvig memberikan definisi yang sangat sederhana tentang istilah “agen” dalam buku mereka »Kecerdasan Buatan. Pendekatan modern «(Edisi ke -4) [Russel & Norvig 21]:

»Agen adalah apa pun yang dapat dilihat sebagai menganggap lingkungannya melalui sensor dan bertindak atas lingkungan itu melalui aktuator«.

Agen adalah sistem yang merasakan lingkungannya melalui sensor dan mempengaruhi aktuator. Sayangnya, definisi ini mencakup hampir setiap sistem perangkat lunak yang dapat Anda bayangkan.

Istilah yang agak lebih tepat dibuat oleh Jacques Ferber [Ferber 99] diberikan:

“Agen adalah entitas fisik atau virtual:

• yang mampu (seringkali hanya sebagian) memahami lingkungan mereka dan bertindak di dalamnya
• yang dapat berkomunikasi secara langsung atau tidak langsung dengan agen lain
• yang didorong oleh sejumlah kecenderungan (dalam bentuk tujuan individu atau fungsi kepuasan/kelangsungan hidup yang Anda coba optimalkan)
• yang memiliki sumber daya sendiri
• yang hanya memiliki representasi parsial dari lingkungan ini (dan mungkin tidak ada sama sekali)
• yang memiliki keterampilan dan dapat menawarkan layanan
• yang mungkin bisa mereproduksi diri sendiri
• Perilaku mereka bertujuan untuk memenuhi tujuan mereka, di mana sumber daya dan keterampilan yang tersedia serta persepsi mereka, presentasi dan komunikasi mereka yang mereka terima diperhitungkan. “

Ada berbagai jenis (atau arsitektur) agen, tergantung pada seberapa kompleks pemikiran internal dan keterampilan memori mereka. Satu biasanya berbicara tentang Mencerminkan Untuk agen berbasis aturan sederhana dan dari agen kognitif Untuk agen yang lebih kompleks, seperti mereka yang menggunakan arsitektur niat-desir-desir.

Apa itu sistem multi-agen?

Sistem multi-agen (MAS) adalah sistem di mana beberapa agen berinteraksi dengan lingkungan mereka dan bertindak melalui mereka. Untuk hanya menggambarkan mas, kami menggunakannya Aeiou-Eselsbrücke [Demazeau 97, Da Silva 02]:

• AGenten: The Mas terdiri dari beberapa agen otonom.
• ENvironment (Lingkungan): Agen bertindak dalam dan dengan lingkungan yang sama.
• SAYANTERACTION: Agen dapat berkomunikasi dan berinteraksi langsung dengan lingkungan mereka.
• HAIRGANISASI: Agen dapat mengatur diri mereka sendiri atau menjadi bagian dari struktur yang solid. Ini termasuk aturan, kelompok, dan norma.
• USer (pengguna): Seringkali pengguna juga berinteraksi dengan sistem dan mempengaruhi fungsinya.

Apa yang ada di balik hype saat ini tentang »agen ai«?

Sistem multi-agen telah diteliti sejak 1990-an [Ferber 99, Wooldridge 09]tetapi dengan ledakan LLMS, sistem multi-agen ditemukan kembali oleh komunitas AI generatif.

Persepsi agen sebagai konsep sentral dalam aplikasi AI di masa depan dapat dikaitkan dengan beberapa faktor kunci.

Bagaimana kita membangun sistem multi-agen? Kapan masuk akal untuk menggunakan Agen AI?

Berikut adalah beberapa pertanyaan untuk memeriksa dengan cepat apakah sistem multi-agen adalah pendekatan yang berguna untuk masalah yang diberikan:

• “Bisakah masalah saya dipecah menjadi langkah yang berbeda?”
• “Apakah saya membutuhkan entitas terpisah untuk menyelesaikan setiap masalah secara terpisah?”
• “Apakah entitas ini otonom dalam arti tertentu?”
• “Bagaimana entitas ini berinteraksi untuk menyelesaikan masalah saya?”
• “Apakah saya harus menambah atau menghapus entitas secara dinamis?”

Jika Anda telah menjawab sebagian besar pertanyaan ini dengan YA, pendekatan AI agen adalah pilihan yang baik.

Kesimpulan dan Outlook: Desain masa depan Anda dengan AI Agen

Hype tentang AI generatif itu nyata, tetapi revolusi nyata hanya dimulai dengan AI agen. Penggunaan agen AI dan sistem multi-agen (MAS) jauh lebih dari sekadar tren teknologi lainnya. Mereka adalah langkah logis berikutnya dalam evolusi sistem cerdas – jauh dari model yang terisolasi ke unit otonom yang bekerja sama yang mampu memecahkan masalah kompleks secara mandiri. Penjelasan dalam artikel menunjukkan bahwa dasar -dasar untuk sistem berbasis agen bukanlah hal baru, tetapi kemajuan terbaru dalam AI generatif – terutama dalam model suara besar (LLM) – membantu konsep -konsep ini untuk kehidupan baru dan keterampilan yang tidak terduga. Karena kemampuan agen untuk merefleksikan, merencanakan dan menggunakan alat, mereka sekarang dapat mengelola tugas yang sebelumnya tampaknya tidak dapat dicapai.

Jadi pertanyaannya tidak lagi apakah agen AI dapat mengurangi kompleksitas proses bisnis mereka, tetapi kapan dan bagaimana menggunakan teknologi yang mengganggu ini untuk perusahaan Anda. Dari komunikasi pelanggan otomatis hingga rantai pasokan yang dioptimalkan hingga pengembangan perangkat lunak yang lebih efisien – potensi sangat besar dan dapat memberi Anda keunggulan kompetitif yang menentukan. Bersiaplah untuk berpikir lagi untuk memikirkan cara Anda bekerja. Agen AI tidak hanya akan mengoptimalkan proses, tetapi juga membuka peluang yang sama sekali baru untuk inovasi dan nilai tambah.

Apakah Anda ingin membuka potensi agen AI untuk perusahaan Anda?

Pakar kami dari Fraunhofer IESE dengan AI Innovation Labs ke samping. Kami membantu Anda mengidentifikasi aplikasi AI yang tepat untuk tantangan spesifik Anda, untuk mengembangkan solusi yang dibuat khusus dan untuk mengubah proses bisnis Anda secara berkelanjutan. Hubungi kami untuk saran individu!

Referensi

[Demazeau 97] Demazeau, Yves. »Langkah-langkah menuju pemrograman berorientasi multi-agen«. Dalam Lokakarya Internasional Pertama tentang Sistem Multi-Agen (IWMAS’97), Boston, 1997

[Ferber 99] Ferber, Jacques. »Sistem Multi-Agen: Pengantar Kecerdasan Buatan Terdistribusi.« Addison Wesley Longman, 1999.

[Da Silva 02] Da Silva, Joao Luis T., dan Yves Demazeau. »Model Koordinasi Vokal.« Prosiding Konferensi Gabungan Internasional Pertama tentang Agen Otonomi dan Sistem Multiagen: Bagian 3. 2002.

[Wooldridge 09] Wooldridge, Michael. »Pengantar Sistem Multiagent«. John Wiley & Sons, 2009.

[Russel & Norvig 21] Russel, Stuart dan Norvig, Peter. »Kecerdasan buatan. Pendekatan modern (edisi ke -4). «Pearson, 2021.

[Hong 23] Hong, Sirui, dkk. »Metagpt: Pemrograman Meta untuk Kerangka Kolaboratif Multi-Agen.« ARXIV Preprint Arxiv: 2308.00352, 2023.

[Qian 24] Qian, Chen, dkk. »Chatdev: Agen komunikatif untuk pengembangan perangkat lunak.« Prosiding Pertemuan Tahunan ke -62 dari Asosiasi Linguistik Komputasi (Volume 1: Long Papers), 2024.