AI agen adalah sistem kecerdasan buatan yang dapat mencapai tujuan tertentu dengan pengawasan terbatas. Sistem ini terdiri dari agen AI—model machine learning yang meniru pengambilan keputusan manusia untuk memecahkan masalah secara real time. Dalam sistem multiagen, setiap agen melakukan subtugas tertentu yang diperlukan untuk mencapai tujuan dan upaya agen-agen ini dikoordinasikan melalui orkestrasi AI.
Tidak seperti model AI tradisional, yang beroperasi dalam batasan yang telah ditentukan dan memerlukan intervensi manusia, AI agen menunjukkan otonomi, perilaku yang digerakkan oleh tujuan, dan kemampuan beradaptasi. Istilah “agen” mengacu pada agensi model ini, atau, kapasitas untuk bertindak secara independen dan terarah.
AI agen dibangun berdasarkan teknik AI generatif (gen AI) dengan menggunakan model bahasa besar (LLM) untuk berfungsi dalam lingkungan yang dinamis. Sementara model generatif fokus pada pembuatan konten berdasarkan pola yang dipelajari, AI agen memperluas kemampuan ini dengan menerapkan output menuju tujuan tertentu. Model AI generatif seperti ChatGPT dari OpenAI dapat menghasilkan teks, gambar, atau kode, tetapi sistem AI agen dapat menggunakan konten yang dihasilkan tersebut untuk menyelesaikan tugas-tugas kompleks secara mandiri dengan menggunakan alat eksternal. Agen tidak hanya dapat memberi tahu Anda waktu terbaik untuk mendaki Puncak Everest berdasarkan jadwal kerja Anda, tetapi juga dapat memesankan penerbangan dan hotel untuk Anda.
Buletin industri
Ikuti perkembangan tren industri yang paling penting—dan menarik—di bidang AI, otomatisasi, data, dan lainnya dengan buletin Think. Lihat Pernyataan Privasi IBM.
Langganan Anda akan disediakan dalam bahasa Inggris. Anda akan menemukan tautan berhenti berlangganan di setiap buletin. Anda dapat mengelola langganan atau berhenti berlangganan di sini. Lihat Pernyataan Privasi IBM kami untuk informasi lebih lanjut.
Sistem agen memiliki berbagai keunggulan dibandingkan pendahulunya yang bersifat generatif, yang dibatasi oleh informasi yang terkandung dalam kumpulan data yang menjadi dasar pelatihan model.
Kemajuan paling penting dari sistem agen adalah bahwa sistem ini memungkinkan otonomi untuk melakukan tugas tanpa pengawasan manusia secara terus-menerus. Sistem agen dapat mempertahankan tujuan jangka panjang, mengelola tugas pemecahan masalah multilangkah, dan melacak kemajuan dari waktu ke waktu.
Sistem agen memberikan fleksibilitas LLM, yang dapat menghasilkan respons atau tindakan berdasarkan pemahaman yang bernuansa dan bergantung pada konteks, dengan fitur pemrograman tradisional yang terstruktur, deterministik, dan andal. Pendekatan ini memungkinkan agen untuk “berpikir” dan “melakukan” dengan cara yang lebih menyerupai manusia.
LLM sendiri tidak dapat berinteraksi langsung dengan alat atau basis data eksternal atau menyiapkan sistem untuk memantau dan mengumpulkan data secara real time, tetapi agen dapat melakukannya. Agen dapat menelusuri web, memanggil antarmuka pemrograman aplikasi (API), dan meminta database, lalu menggunakan informasi ini untuk membuat keputusan dan mengambil tindakan.
Agen dapat mengkhususkan diri dalam tugas-tugas tertentu. Beberapa agen sederhana, melakukan tugas berulang tunggal dengan andal. Orang lain dapat menggunakan persepsi dan memanfaatkan memori untuk memecahkan masalah yang lebih kompleks. Arsitektur agen mungkin terdiri dari model “konduktor” yang didukung oleh LLM yang mengawasi tugas dan keputusan dan mengawasi agen lain yang lebih sederhana. Arsitektur semacam itu cocok untuk alur kerja berurutan tetapi rentan terhadap kemacetan. Arsitektur lainnya lebih bersifat horizontal, dengan agen-agen yang bekerja selaras dan setara dengan cara yang terdesentralisasi, tetapi arsitektur ini bisa jadi lebih lambat dibandingkan dengan hierarki vertikal. Aplikasi AI yang berbeda memerlukan arsitektur yang berbeda pula.
Agen dapat belajar dari pengalaman mereka, menerima masukan, dan menyesuaikan perilaku mereka. Dengan pembatas yang tepat, sistem agen dapat terus ditingkatkan. Sistem multiagen memiliki skalabilitas untuk pada akhirnya menangani inisiatif yang tercakup luas.
Karena sistem agen didukung oleh LLM, pengguna dapat terlibat dengannya dengan prompt bahasa alami. Ini berarti bahwa seluruh antarmuka perangkat lunak—bayangkan tab, menu tarik turun, grafik, slider, pop-up, dan elemen UI lainnya yang terlibat dalam platform SaaS pilihan seseorang—dapat digantikan oleh bahasa sederhana atau perintah suara. Secara teoretis, pengalaman pengguna perangkat lunak apa pun sekarang dapat direduksi menjadi "berbicara" dengan agen, yang dapat mengambil informasi yang dibutuhkan dan mengambil tindakan berdasarkan informasi tersebut. Manfaat produktivitas ini hampir tidak bisa dilebih-lebihkan, ketika kita mempertimbangkan waktu yang dibutuhkan oleh pekerja untuk mempelajari dan menguasai antarmuka dan alat baru.
Alat AI agen dapat memiliki banyak bentuk dan kerangka kerja yang beragam lebih cocok untuk masalah yang berbeda, tetapi berikut adalah langkah-langkah umum yang dilakukan sistem AI agen untuk menjalankan operasi.
AI agen dimulai dengan mengumpulkan data dari lingkungannya melalui sensor, API, database, atau interaksi pengguna. Langkah ini memastikan bahwa sistem memiliki informasi terkini untuk dianalisis dan ditindaklanjuti.
Setelah data terkumpul, AI memprosesnya untuk mengekstrak insight. Menggunakan pemrosesan bahasa alami (NLP), visi komputer, atau kemampuan AI lainnya, AI menafsirkan pertanyaan pengguna, mendeteksi pola, dan memahami konteks yang lebih luas. Kemampuan ini membantu AI menentukan tindakan apa yang harus diambil berdasarkan situasi.
AI menetapkan tujuan berdasarkan sasaran yang telah ditetapkan atau input dari pengguna. AI kemudian membangun strategi untuk mencapai tujuan-tujuan ini, seringkali dengan menggunakan decision trees, pembelajaran penguatan atau algoritme perencanaan lainnya.
AI mengevaluasi berbagai kemungkinan tindakan dan memilih tindakan yang optimal berdasarkan sejumlah faktor seperti efisiensi, akurasi, dan hasil yang diprediksi. Langkah evaluasi ini mungkin menggunakan model probabilistik, fungsi utilitas, atau penalaran berbasis machine learning untuk menentukan tindakan terbaik.
Setelah memilih suatu tindakan, AI akan mengeksekusinya, baik dengan berinteraksi dengan sistem eksternal (API, data, robot) atau memberikan respons kepada pengguna.
Setelah melakukan tindakan, AI mengevaluasi hasilnya, mengumpulkan masukan untuk meningkatkan keputusan di masa depan. Melalui pembelajaran penguatan atau pembelajaran yang diawasi secara mandiri, AI menyempurnakan strateginya dari waktu ke waktu, menjadikannya lebih efektif dalam menangani tugas-tugas serupa di masa depan.
Orkestrasi AI adalah koordinasi dan manajemen sistem dan agen. Platform orkestrasi mengotomatiskan alur kerja AI, melacak kemajuan menuju penyelesaian tugas, mengelola penggunaan sumber daya, memantau aliran data dan memori, serta menangani peristiwa kegagalan. Dengan arsitektur yang tepat, puluhan, ratusan, atau bahkan ribuan agen secara teoretis dapat bekerja sama dalam produktivitas yang harmonis.
Solusi AI agen dapat diterapkan di hampir semua contoh penggunaan AI di ekosistem dunia nyata mana pun. Agen dapat berintegrasi dalam alur kerja yang kompleks untuk melakukan proses bisnis secara mandiri.
Bot trading yang didukung AI dapat menganalisis harga saham dan indikator ekonomi secara langsung untuk melakukan analisis prediktif dan mengeksekusi perdagangan.
Dalam kendaraan otonom, sumber data real-time seperti GPS dan data sensor dapat meningkatkan navigasi dan keselamatan.
Dalam perawatan kesehatan, agen dapat memantau data pasien, menyesuaikan rekomendasi perawatan berdasarkan hasil test baru dan memberikan masukan real-time kepada dokter melalui chatbot.
Dalam keamanan siber, agen dapat terus memantau lalu lintas jaringan, log sistem, dan perilaku pengguna untuk mencari anomali yang mungkin mengindikasikan kerentanan terhadap malware, serangan phishing, atau upaya akses yang tidak sah.
AI dapat menyederhanakan manajemen rantai pasokan melalui otomatisasi dan optimalisasi proses, melakukan pemesanan secara mandiri kepada pemasok atau menyesuaikan jadwal produksi untuk mempertahankan tingkat persediaan yang optimal.
Sistem AI agen memiliki potensi besar bagi perusahaan. Otonomi AI agen adalah manfaat utama, tetapi sifat otonom ini dapat membawa konsekuensi serius jika sistem agensi keluar jalur. Risiko AI yang umum berlaku, tetapi dapat menjadi lebih besar dalam sistem agen.
Banyak sistem AI agen menggunakan pembelajaran penguatan, yang melibatkan pemaksimalan fungsi imbalan. Jika sistem imbalan dirancang dengan buruk, AI mungkin mengeksploitasi celah untuk mencapai “skor tinggi” dengan cara yang tidak diinginkan.
Pertimbangkan beberapa contoh:
Agen yang bertugas memaksimalkan keterlibatan media sosial yang memprioritaskan konten sensasional atau menyesatkan, yang secara tidak sengaja menyebarkan informasi yang keliru
Robot gudang yang mengoptimalkan kecepatan yang merusak produk agar pindah lebih cepat.
AI perdagangan finansial yang dimaksudkan untuk memaksimalkan keuntungan yang terlibat dalam praktik perdagangan yang berisiko atau tidak etis, yang memicu ketidakstabilan pasar.
AI moderasi konten yang dirancang untuk mengurangi ucapan berbahaya menyensor diskusi yang sah.
Beberapa sistem AI agen dapat menjadi penguat diri, meningkatkan perilaku ke arah yang tidak diinginkan. Masalah ini terjadi ketika AI mengoptimalkan terlalu agresif untuk metrik tertentu tanpa perlindungan. Dan karena sistem agen sering kali terdiri dari beberapa agen otonom yang bekerja bersama, ada peluang untuk gagal. Kemacetan lalu lintas, hambatan, konflik sumber daya—semua kesalahan ini berpotensi berdegradasi. Penting bagi model untuk memiliki tujuan yang jelas dan dapat diukur, dengan loop umpan balik yang ada sehingga model dapat bergerak lebih dekat dengan tujuan organisasi dari waktu ke waktu.
Bantu pengembang untuk membangun, menerapkan, dan memantau agen AI dengan studio IBM watsonx.ai.
Ciptakan produktivitas inovatif dengan salah satu rangkaian kemampuan paling komprehensif di industri untuk membantu bisnis membangun, menyesuaikan, dan mengelola agen dan asisten AI.
Raih penghematan biaya lebih dari 90% dengan model Granite yang lebih kecil dan terbuka, yang dirancang untuk efisiensi pengembang. Model yang sesuai dengan kebutuhan perusahaan ini memberikan kinerja luar biasa terhadap tolok ukur keamanan dan di berbagai tugas perusahaan, mulai dari keamanan siber hingga RAG.