Sammanfatta detta blogginlägg med:
Redaktörens anmärkning: De flesta guider om agentisk AI slutar med "vad är en agent". Den här bloggen går en nivå längre ner i arkitekturen: de fyra moduler som varje agent faktiskt behöver, och hur de visas i verkliga system som ombokning av flyg och ombalansering av lager.
Arkitekturen bakom Agentic AI
Enklast uttryckt är Agentic AI lagret ovanför generativ AI. Där en GenAI-modell producerar output på begäran, bestämmer en agent vad den ska göra, anropar de verktyg den behöver och lär sig av resultatet. Hela loopen är uppbyggd på fyra moduler: perception, resonemang, handling och lärande.
Resten av den här artikeln går igenom var och en, med exempel.
Diskussion om Agent Evolution i Microsoft AI Horizon
För att nå en nivå av autonomt beslutsfattande och handlingar använder agenter sig av en kombination av olika tekniker. Dessa tekniker inkluderar maskininlärning, naturlig språkbehandling och automatisering. Denna invecklade blandning gör det möjligt för AI:n att förstå och reagera på komplexa situationer på ett sätt som efterliknar mänskligt resonemang och anpassningsförmåga.
För att bättre förstå låt oss dela upp funktionen i fyra steg.
Agentic AI-arkitektur
Till skillnad från traditionella AI-system eller till och med LLM:er som väntar på mänsklig input, kombinerar och sammanfogar perceptionsmotorn aktivt information från flera källor samtidigt. Tänk på det som AI:s sensoriska cortex som tillhandahåller multimodal bearbetning för att kombinera text, visuell och strukturerad data genom transformatorbaserade arkitekturer.
Till exempel, med lageragenten som nämns ovan, skulle perceptionsmotorn hålla koll på lagernivåerna med åtkomst till lagerets lagerdata och flagga systemet när det går ner.
Med tanke på den ökande effektiviteten i resonemangs- och planeringsförmågan hos juridikexperter, kommer de från kärnan av agenter. Den bör kunna:
- Bryt ner målen i hanterbara delmål
- Identifiera potentiella hinder innan de uppstår
- Formulera alternativa tillvägagångssätt när initiala strategier misslyckas
Låt oss gå tillbaka till exemplet, att formulera en handlingsplan när lagernivåerna har minskat, bestämma leverantörer, analysera den möjliga tidslinjen och göra en kortlista över dem etc. skulle falla under resonemangsagentens ansvarsområde.
Traditionell AI eller till och med automatiseringar har ett fördefinierat arbetsflöde som deras system arbetar utifrån. Men agenter har självständigheten att vidta åtgärder genom att vara anslutna till flera system och verktyg. De upprätthåller API-anslutningar med flera system samtidigt, implementerar sofistikerade återställningsmekanismer för misslyckade åtgärder och vidtar åtgärder baserat på behov.
Om vi går tillbaka till exemplet, är det här den del där agenten gör en beställning hos leverantören eller skapar ett godkännande från användaren för beställningen (baserat på vad som definieras som handlingsplanen).
Det är här agentisk AI verkligen utmärker sig. Det är återkopplingsslingan eller "datasvänghjulet" där data som genereras från dess interaktioner matas in i systemet för att förbättra modeller. Så här fungerar det:
Upplevelseprioritering
Här identifierar algoritmen vilka erfarenheter som är mest värdefulla för lärande | Kontinuerliga modelluppdateringar
Anpassar beteendet baserat på framgångsgrad och förändrade förhållanden | | Cross-Task Learning
Tillämpar insikter från en domän för att förbättra prestanda i andra
|
Med tanke på att ramverken och processerna kring Agentic AI fortfarande är nya, utgör dessa fyra processer den grundläggande strukturen för att skapa en agent. I takt med att komplexiteten ökar med affärsbehoven utvecklas detta implementeringsramverk för Agentic AI för att stödja mer avancerade, skalbara användningsfall – låt oss dyka in i utvecklingen nu.
Den ovanstående arkitekturen med fyra moduler är byggstenen. Det som förändras allt eftersom agentiska system mognar är hur många av dessa block man sammanfogar, och över vilka gränser. Våra Agentiska AI-mognadsstadier i kunskapshubben går igenom hela femstegsmodellen. Tre av dessa stadier är värda att visa med exempel här, eftersom de är direkt kopplade till arkitekturbeslut.
Agenter med en enda uppgift för kvalitetskontroll på en produktionslinje
En datorseendeagent som övervakar en produktionslinje är den enklaste implementeringsbara formen. Den körs på händelsestyrda pipelines, träffar ett REST API när den upptäcker en defekt och lär sig av de mönster den fångar. En perceptionsmodul, en resonemangskärna, en handlingsslutpunkt.
Flerdomänsorkestrator för ombokning av flyg
När en passagerare behöver boka om äger ingen enskild agent arbetsflödet. En orkestrator koordinerar separata agenter för flyg, sittplatser, måltider och bagage. Var och en kör hela loopen med fyra moduler. Orkestratorn avgör vems svar som vinner. Det är också detta som minskar hallucinationer: varje specialistagent hanterar bara det den är bra på.
Exempel på Agentic AI-system som flygbokningsagent Organisationsövergripande ekosystem när agenter kommunicerar med andra agenter
Den mest avancerade formen är när dina agenter slutar prata bara med dina data och börjar prata med andra företags agenter. Upphandlingsagenter förhandlar med leverantörsagenter. Kundtjänstagenter pratar med logistikagenter. Detta är "agent-till-agent"-lagret, och det förändrar hur ett företagssystem ser ut.
För information om var detta passar in i den fullständiga femstegsmognadsmodellen, se Agentic AI Maturity Stages .
Vi ser historien skrivas. Även om vi fortfarande är i ett tidigt skede går saker och ting framåt snabbt. Det förväntas att nästan en tredjedel av företagen kommer att integrera dessa AI-agenter i sin dagliga verksamhet år 2028. Det är precis runt hörnet!
Tänk på det så här: vi går från att ha digitala assistenter till att ha digitala kollegor. Även om det kan låta lite långsökt i det här läget, kan organisationer som väntar för länge med att anpassa sig komma ikapp. Så oavsett om du bara är nyfiken på vad en uppgiftsspecifik agent skulle kunna göra för din kundtjänst, eller om du är redo att dyka in i komplexa lösningar som täcker flera områden, är det nu dags att börja utforska.
Och det är där vi på Polestar Analytics kommer in i bilden. Vi implementerar inte bara teknik; vi arbetar med att bygga sådana agenter för att hjälpa organisationer att navigera i detta nya landskap med självförtroende och målmedvetenhet. Så ta tillfället i akt att agera nu innan chansen går förlorad och dina konkurrenter får övertaget.