Vat dit blogbericht samen met:
Noot van de redactie: De meeste handleidingen over AI met agenten beperken zich tot de vraag "wat is een agent?". Deze blog gaat een stap verder in de architectuur: de vier modules die elke agent daadwerkelijk nodig heeft, en hoe deze in de praktijk terug te vinden zijn in systemen zoals het omboeken van vluchten en het herverdelen van inventaris.
De architectuur achter agentische AI
Simpel gezegd is Agentic AI de laag boven Generative AI. Waar een GenAI-model output produceert op aanvraag, beslist een agent wat te doen, roept de benodigde tools aan en leert van het resultaat. Deze hele cyclus is gebouwd op vier modules: waarneming, redenering, actie en leren.
De rest van dit artikel bespreekt ze elk afzonderlijk, met voorbeelden.
Discussie over Agentic Evolution in Microsoft AI Horizon
Om een niveau van autonome besluitvorming en actie te bereiken, maken agenten gebruik van een combinatie van verschillende technologieën. Deze technologieën omvatten machine learning, natuurlijke taalverwerking en automatisering. Deze complexe mix stelt de AI in staat om complexe situaties te begrijpen en erop te reageren op een manier die menselijk redeneren en aanpassingsvermogen nabootst.
Laten we, voor een beter begrip, de werking in vier stappen onderverdelen.
Agentische AI-architectuur
In tegenstelling tot traditionele AI-systemen of zelfs LLM's die wachten op menselijke input, combineert en versmelt de perceptiemotor actief informatie uit meerdere bronnen tegelijk. Zie het als de sensorische cortex van de AI, die multimodale verwerking gebruikt om tekst, visuele en gestructureerde data te combineren via op transformatoren gebaseerde architecturen.
Met de hierboven genoemde inventarisbeheerder zou de perceptie-engine bijvoorbeeld de voorraadniveaus bijhouden met toegang tot de magazijnvoorraadgegevens en het systeem waarschuwen wanneer er een storing optreedt.
Gezien de toenemende efficiëntie van de redeneer- en planningsmogelijkheden van LLM's, vormen ze de kern van agenten. Ze zouden in staat moeten zijn om:
- Deel de doelstellingen op in haalbare subdoelen.
- Identificeer potentiële obstakels voordat ze zich voordoen.
- Ontwikkel alternatieve benaderingen wanneer de eerste strategieën falen.
Laten we teruggaan naar het voorbeeld: het opstellen van een actieplan zodra de voorraadniveaus zijn gedaald, het kiezen van leveranciers, het analyseren van de mogelijke tijdlijn en het maken van een shortlist, enzovoort, vallen onder de verantwoordelijkheid van de redenerende agent.
Traditionele AI of zelfs automatiseringssystemen werken volgens een vooraf gedefinieerd werkproces. Agents daarentegen hebben de onafhankelijkheid om acties te ondernemen doordat ze verbonden zijn met meerdere systemen en tools. Ze onderhouden gelijktijdig API-verbindingen met meerdere systemen, implementeren geavanceerde terugdraaimechanismen voor mislukte acties en ondernemen actie op basis van de behoefte.
Terugkomend op het voorbeeld: dit is het gedeelte waar de agent een bestelling plaatst bij de leverancier of een goedkeuring van de gebruiker voor de bestelling genereert (op basis van wat is gedefinieerd als het actieplan).
Dit is waar agentische AI zich echt onderscheidt. Het is de feedbacklus, ofwel het 'data-vliegwiel', waarbij de data die gegenereerd wordt door de interacties, teruggevoerd wordt naar het systeem om modellen te verbeteren. Zo werkt het:
Prioritering van ervaringen
Dit algoritme identificeert welke ervaringen waardevoller zijn voor het leerproces. | Continue modelupdates
Past gedrag aan op basis van succespercentages en veranderende omstandigheden. | | Cross-task leren
Past inzichten uit één domein toe om de prestaties in andere domeinen te verbeteren.
|
Aangezien de frameworks en processen rondom agentische AI nog relatief nieuw zijn, vormen deze vier processen de basisstructuur voor het creëren van een agent. Naarmate de complexiteit toeneemt met de zakelijke behoeften, evolueert dit implementatieframework voor agentische AI om meer geavanceerde, schaalbare toepassingen te ondersteunen. Laten we deze evolutie eens nader bekijken.
De bovenstaande architectuur met vier modules is de bouwsteen. Wat verandert naarmate agentsystemen volwassen worden, is hoeveel van die blokken je aan elkaar koppelt en over welke grenzen heen. Onze Agentic AI Maturity Stages in de kennisbank beschrijft het volledige model met vijf fasen. Drie van die fasen zijn het waard om hier met voorbeelden te illustreren, omdat ze direct verband houden met architectuurkeuzes.
Agenten met één specifieke taak voor kwaliteitscontrole op een productielijn
Een computervisieagent die een productielijn bewaakt, is de eenvoudigste implementeerbare vorm. Deze werkt met gebeurtenisgestuurde pipelines, roept een REST API aan wanneer een defect wordt gedetecteerd en leert van de patronen die worden waargenomen. Eén perceptiemodule, één redeneerkern, één actie-eindpunt.
Multidomein-orkestrator voor het omboeken van vluchten
Wanneer een passagier moet omboeken, is er geen enkele agent die de volledige workflow beheert. Een orchestrator coördineert afzonderlijke agenten voor vlucht, stoelreservering, maaltijden en bagage. Elk van hen doorloopt de volledige cyclus van vier modules. De orchestrator beslist wiens antwoord de voorkeur krijgt. Dit vermindert ook verwarring: elke specialistische agent behandelt alleen datgene waar hij of zij goed in is.
Voorbeeld van een AI-systeem met agent als vluchtboekingsagent Een ecosysteem dat organisaties overstijgt wanneer agenten met andere agenten communiceren.
De meest geavanceerde vorm ontstaat wanneer uw agenten niet langer alleen met uw eigen data communiceren, maar ook met agenten van andere bedrijven. Inkoopagenten onderhandelen met leveranciersagenten. Klantenserviceagenten praten met logistieke agenten. Dit is de "agent-naar-agent"-laag en verandert de structuur van een bedrijfssysteem.
Voor een overzicht van de plaats van dit onderdeel in het volledige vijfstappenmodel voor volwassenheid van AI, zie de sectie 'Agentic AI Maturity Stages' .
We zijn getuige van een historisch moment. Hoewel we nog in een pril stadium verkeren, gaat het snel. Naar verwachting zal in 2028 bijna een derde van de bedrijven deze AI-agenten in hun dagelijkse werkzaamheden integreren. Dat is al bijna zover!
Zie het zo: we gaan van digitale assistenten naar digitale collega's. Hoewel dat op dit moment misschien wat vergezocht klinkt, lopen organisaties die te lang wachten met de overstap het risico achterop te raken. Dus, of u nu gewoon nieuwsgierig bent naar wat een taakspecifieke agent voor uw klantenservice kan betekenen, of dat u klaar bent om complexe oplossingen voor meerdere domeinen te implementeren, nu is het moment om de mogelijkheden te verkennen.
En dat is waar Polestar Analytics in beeld komt. Wij implementeren niet alleen technologie; we werken aan de ontwikkeling van tools die organisaties helpen om vol vertrouwen en doelgericht door dit nieuwe landschap te navigeren. Grijp deze kans dus en onderneem nu actie voordat het te laat is en uw concurrenten de overhand krijgen.