Agentische AI verwijst naar geavanceerde AI-systemen die autonoom data kunnen analyseren, complexe doelen kunnen nastreven en zich in realtime kunnen aanpassen door meerstaps problemen op te lossen met minimale menselijke tussenkomst. Simpel gezegd: voor een gegeven omgeving (data-ecosysteem) kunnen ze de taak begrijpen, de data uit de bronnen verzamelen, oplossingen genereren met een redeneermodel zoals RAG/LLM's en hierop reageren via toegang tot tools en API's. Idealiter bestaat het systeem uit waarborgen in de vorm van bevestigingen of goedkeuringen van mensen en een feedbackloop.
De mogelijkheden van fundamentele modellen (die doorgaans worden gebruikt in generatieve AI) hebben de groei en ontwikkeling van agentische AI-modellen versneld. Hierdoor vormen generatieve AI en fundamentele modellen een waardevolle aanvulling op agentische AI-workflows, omdat ze de situatie kunnen analyseren om te brainstormen en duidelijke stappen te formuleren voor innovatieve oplossingen. Je kunt LLM's zien als het brein van agentische AI.
Aangezien AI-agenten een opkomend vakgebied zijn, bestaan er geen vaste raamwerken voor het evalueren of ontwikkelen ervan. Over het algemeen volgt agentische AI de volgende structuur:
- Begint met een menselijk commando/gesprek
- De taak verduidelijken en de uitvoeringsstroom creëren
- Voer elke stap van het plan uit door de benodigde tools/omgevingen aan te roepen.
- Pauze of controlepunt voor feedback van een medewerker
- Taakafronding
Hoewel het misschien niet zo eenvoudig is, is het idee om een planner, evaluator en uitvoerder te hebben die elk hun eigen taak uitvoeren en hun output vervolgens doorgeven aan de volgende activiteit, net als in een multi-agentsysteem.
Enkele gebieden waar men al resultaten ziet van automatisering in Agentic AI-modellen zijn:
Supply chain-agenten die automatisch voorraadniveaus kunnen aanpassen op basis van realtime vraagsignalen. Personeelsplanningsagenten die dynamisch personeel kunnen inplannen De afhandeling van IT-incidenten kan worden onderverdeeld in verschillende workflows op basis van prioriteit en type incident. Bepaalde problemen die eenvoudig kunnen worden aangepakt, kunnen snel worden opgelost met behulp van AI. AI-agenten kunnen inefficiënties in CI/CD-processen identificeren, zoals lange bouwtijden of onbetrouwbare tests, en verbeteringen voorstellen. Vragen aan de klantenservice kunnen worden doorverwezen naar de juiste afdelingen. Zoals we eerder al hebben aangegeven, werken agents in hun eigen omgeving en roepen ze de tools/functies aan die ze willen gebruiken – er is dus veel ruimte voor automatisering. We hoeven alleen maar te onderzoeken wat die mogelijkheden zijn.
Voorbeeld van een agentisch AI-framework PS In de meeste gevallen heb je wellicht automatisering of workflows nodig, maar geen agentische AI. Denk dus goed na over het proces en de uitvoering voordat je met agents aan de slag gaat.