AI agen: 4 alasan mengapa ini menjadi hal besar berikutnya dalam penelitian AI

Selama beberapa tahun terakhir AI generatif atau gen AI, telah menjadi hal baru yang sangat populer di kalangan ahli teknologi, tetapi istilah baru telah merayap ke komunitas pengembangan kecerdasan buatan (AI) baru-baru ini. "Agen" adalah kata kunci terbaru dalam AI, dan dalam hal ini, tepat untuk mempercayai kasak-kusuk tersebut. AI agen menggabungkan keserbagunaan dan fleksibilitas model bahasa besar (LLM) dan ketepatan pemrograman tradisional.

AI agen mengacu pada sistem atau program yang mampu melakukan tugas secara mandiri atas nama pengguna atau sistem lain dengan merancang alur kerja dan menggunakan alat yang tersedia. Sistem memiliki “agensi” untuk membuat keputusan, mengambil tindakan, memecahkan masalah kompleks, dan berinteraksi dengan lingkungan eksternal di luar data di mana model machine learning (ML) sistem dilatih.

Agen AI tidak hanya menarik informasi dari basis data dan jaringan, tetapi juga dapat belajar dari perilaku pengguna, meningkat seiring waktu. Kemampuan beradaptasi agen memungkinkan mereka untuk menangani aplikasi AI dengan banyak langkah kompleks yang tidak dapat ditangani oleh AI tradisional, menjadikannya bagian penting dari strategi otomatisasi proses organisasi modern.

Jika Anda bertanya kepada chatbot LLM untuk tujuan umum seperti ChatGPT apa yang harus dibeli oleh pembuat es krim, kemampuan pemrosesan bahasa alami (NLP) model tersebut akan memungkinkannya untuk memberikan rekomendasi berdasarkan data pelatihannya, yang mungkin akan mencakup informasi yang diambil dari internet. Tetapi Anda tidak ingin saran umum dari masa lalu, Anda memerlukan saran yang mempertimbangkan informasi real-time.

Platform AI agen terdiri dari LLM yang mengatur perilaku beberapa agen yang dapat diterapkan di berbagai aplikasi. Semua agen ini mungkin lebih banyak model AI, atau mereka mungkin adalah alat pencarian sederhana yang dapat dengan cepat mencari informasi dalam basis pengetahuan atau online. Menggunakan contoh sebelumnya, bayangkan jika LLM seperti GPT juga memiliki akses ke data e-commerce real-time dan detail pembayaran Anda.

Platform AI agen seperti ini tidak hanya dapat memberi tahu Anda bahwa orang menyukai pembuat es krim tertentu yang dijual di pengecer tertentu, tetapi secara teoretis dapat melakukan pembelian atas nama Anda. AI agen membawa kita lebih dekat ke contoh penggunaan yang sampai saat ini kita anggap sebagai fiksi ilmiah, di mana mesin dapat menyelesaikan tugas kompleks yang melibatkan alur kerja yang kompleks, pengambilan keputusan berbasis data, dan pengambilan tindakan dengan intervensi manusia minimal.

Ada alasan bagus untuk menganggap bahwa publisitas seputar AI agen dibenarkan. Berikut adalah 4 alasan:

LLM unggul dalam memproses dan menghasilkan teks seperti manusia, sehingga memudahkan pengguna untuk berinteraksi dengan AI menggunakan perintah bahasa alami. Kemampuan ini mengurangi kebutuhan akan pengetahuan pemrograman eksplisit. LLM dapat menghasilkan respons atau tindakan berdasarkan pemahaman mendalam dan bergantung pada konteks, yang berguna dalam skenario di mana pemrograman tradisional mungkin kesulitan untuk mencakup semua kasus yang tidak terduga. Selain itu, LLM kreatif dalam tugas seperti pembuatan konten, ringkasan penyelesaian kode, dan banyak lagi. Kemampuan generatif ini sulit ditiru dengan pemrograman berbasis aturan tradisional.

Sementara itu, pemrograman tradisional sangat terstruktur, deterministik, dan dapat diandalkan, sehingga ideal untuk tugas yang membutuhkan presisi, pengulangan, dan dapat diverifikasi. Bahasa pemrograman tradisional memberikan kontrol terperinci atas bagaimana tugas dijalankan, membantu memastikan bahwa alur kerja yang kompleks, algoritma, atau persyaratan sistem tertentu dapat secara eksplisit didefinisikan dan dioptimalkan. Pemrograman tradisional sering kali lebih efisien untuk tugas yang membutuhkan kinerja tinggi atau fungsi unik.

Sistem AI agen memberikan yang terbaik dari kedua dunia: menggunakan LLM untuk menangani tugas yang mendapat manfaat dari fleksibilitas dan respons dinamis, sekaligus menggabungkan kemampuan AI ini dengan pemrograman tradisional untuk aturan, logika, dan kinerja yang ketat. Pendekatan gabungan ini membuat AI menjadi intuitif dan tepat. Agen dapat melakukan tugas secara mandiri sambil beradaptasi dengan data baru atau lingkungan yang dinamis, sesuatu yang menantang untuk kode statis. Pada saat yang sama, proses penting (seperti keamanan atau penghitungan) dapat mengandalkan algoritma tradisional yang deterministik.

Sistem yang didukung AI agen mungkin berisi agen refleks sederhana yang melakukan satu tugas sederhana dengan baik dan konsisten. Agen berbasis aturan yang lebih kompleks dapat menggunakan persepsi saat ini dan memanfaatkan memori, sehingga memungkinkannya untuk menerima dan menyimpan informasi baru agar dapat melakukan berbagai tugas yang lebih luas. Agen pembelajaran juga dapat menyerap data baru, tetapi dapat menggunakannya untuk menginformasikan keputusan selanjutnya, meningkatkan akurasi dari waktu ke waktu. Platform AI agen yang kuat dapat melibatkan puluhan atau bahkan ratusan agen dengan berbagai kemampuan yang bekerja bersama.

LLM biasanya dilatih pada kumpulan data statis yang mewakili cuplikan informasi hingga titik waktu tertentu. LLM tidak dapat secara aktif keluar dan mengumpulkan informasi baru dari web setelah periode pelatihan mereka. Mereka hanya dapat menghasilkan tanggapan berdasarkan apa yang sudah mereka "ketahui." Mereka tidak dapat mengakses atau memperbarui data real-time dari sumber eksternal sendiri.

LLM tidak dapat secara langsung berinteraksi dengan alat eksternal atau sistem pemrosesan data (seperti spreadsheet, platform cloud, atau perangkat lunak analitik) atau mengatur sistem secara mandiri untuk memantau dan mengumpulkan data yang sedang berlangsung (seperti sensor IoT, proses bisnis, atau log dari sistem) karena tidak dirancang untuk melakukan tugas berkelanjutan.

AI agen dapat dirancang untuk mencari web, yang disebut antarmuka pemrograman aplikasi (API) atau menanyakan basis data. Agen dapat mengambil informasi secara real-time, mengambil pembaruan atau menarik poin data tertentu yang penting untuk pengambilan keputusan. Agen dapat memulai dan mengelola tugas seperti pencatatan data, pemantauan secara real-time, dan analisis tren. Mereka dapat secara proaktif melacak dan mengumpulkan aliran data dari perangkat IoT, umpan media sosial atau sistem lain, menyediakan LLM dengan input baru untuk pengambilan keputusan yang lebih tepat, dan tanggapan sesuai konteks.

AI agen dapat menggunakan siklus masukan di mana ia secara aktif mencari data baru untuk menyempurnakan model atau proses pengambilan keputusan. Ini mungkin melibatkan menanyakan sumber baru secara berkala, mengumpulkan masukan pengguna atau menganalisis hasil dunia nyata untuk memperbarui dan meningkatkan pemahaman atau strateginya. Dengan cara ini, LLM dapat mencapai pengoptimalan dari waktu ke waktu dari data yang lebih kaya dan terus berkembang.

Dengan otak besar LLM dan kemampuan yang ditargetkan, AI agen dapat beroperasi secara independen dan melakukan tugas tertentu secara mandiri tanpa perlu pengawasan konstan dari manusia. Hal ini memungkinkan pengoperasian berkelanjutan di lingkungan di mana pengawasan manusia terbatas atau tidak diperlukan. Sistem otonom dapat mempertahankan tujuan jangka panjang, mengelola tugas dengan banyak langkah, dan melacak kemajuan dari waktu ke waktu.

Misalnya, AI agen dapat ditugaskan untuk mengelola kampanye pemasaran, terus-menerus memantau kinerja, menyesuaikan strategi, dan mengoptimalkan hasil berdasarkan umpan balik tanpa perlu input manusia di setiap langkah.

Dalam perawatan kesehatan, agen dapat memantau data pasien, menyesuaikan rekomendasi pengobatan berdasarkan hasil tes baru, dan memberikan masukan real-time kepada dokter.

Dalam keamanan siber, agen dapat terus memantau lalu lintas jaringan, log sistem, dan perilaku pengguna untuk mencari anomali yang mungkin mengindikasikan potensi ancaman keamanan, seperti malware, serangan phishing, atau upaya akses yang tidak sah. Dalam rantai pasokan, AI dapat secara mandiri melakukan pemesanan dengan pemasok atau menyesuaikan jadwal produksi untuk mempertahankan tingkat persediaan yang optimal.

Di bidang sumber daya manusia, agen dapat menganalisis peran dan latar belakang karyawan baru untuk membuat jalur pelatihan orientasi yang dipersonalisasi. Agen dapat menyesuaikan konten dan materi pembelajaran berdasarkan pengalaman sebelumnya, persyaratan peran, dan kecepatan belajar individu.

Bisa dibayangkan banyak fungsi bisnis yang saat ini dijalankan dengan produk perangkat lunak sebagai layanan (SaaS) digantikan atau ditambahkan sistem agen , yang memungkinkan para pekerja untuk berinteraksi dengan data dan menjalankan tugas secara lebih efisien dengan input bahasa alami dan antarmuka pengguna yang disederhanakan.

Misalnya, bayangkan sistem tiket yang digunakan pengembang perangkat lunak untuk melacak kemajuan proyek. Sistem seperti itu membutuhkan banyak tabel, tab, dan alur kerja yang sekilas tidak selalu mudah dipahami . Untuk menemukan informasi yang berguna, pengguna perlu mencari data yang tepat, menangani serangkaian menu yang rumit untuk mendapatkan informasi yang mereka butuhkan. Kemudian, mereka mungkin perlu menggunakan informasi tersebut untuk membuat presentasi.

Bagaimana jika, alih-alih menyusun semua data tersebut dalam tabel dan tab, pengguna hanya perlu meminta informasi yang ia butuhkan dalam bahasa manusia biasa?

Sebagai contoh, bayangkan membuat slide presentasi yang menampilkan 5 grafik batang yang menunjukkan setiap tiket yang diselesaikan per karyawan untuk bulan ini, selama 5 tahun, semuanya tanpa memilah secara manual kumpulan data yang rumit.

Mungkin diperlukan waktu setengah jam untuk mengambil data tersebut secara manual dan setengah jam lagi untuk menampilkannya dalam format yang rapi untuk presentasi yang apik, tetapi para agen dapat melakukannya dalam hitungan detik.

Untuk organisasi yang berjuang kesulitan melihat manfaat gen AI, agen AI mungkin merupakan kunci untuk menemukan nilai bisnis yang nyata. LLM monolitik sangat mengesankan, tetapi mereka memiliki contoh penggunaan terbatas di ranah AI perusahaan. Memerlukan pengamatan lebih jauh, apakah sejumlah besar uang yang saat ini diinvestasikan ke beberapa LLM besar akan memberikan keuntungan dalam contoh penggunaan dunia nyata, tetapi AI agen mewakili kerangka kerja yang menjanjikan yang membawa LLM ke dunia nyata, menunjukkan jalan menuju masa depan yang didukung AI.