Apa itu otomatisasi agen?

Meskipun saat ini kita masih berada pada tahap sangat awal otomatisasi agen dan metodologi terus berkembang dengan cepat, secara umum bidang ini dapat dianggap sebagai puncak dari otomatisasi serta lompatan besar menuju realisasi impian umat manusia akan otomatisasi yang memperkuat manusia, dan bahkan sistem yang sepenuhnya otomatis.

Seni membuat mesin melakukan hal-hal yang seharusnya dilakukan oleh manusia memiliki sejarah panjang yang bermula sejak zaman kuno. Pencapaian penting lainnya termasuk Revolusi Industri, elektrifikasi, dan komputer, yang menandai kemajuan bidang ini selama satu abad terakhir.

Kemunculan kecerdasan buatan menandai lompatan quantum berikutnya dalam teknologi otomatisasi dan hal ini disebabkan oleh beberapa faktor. Sebelum AI, solusi otomatisasi biasanya memiliki biaya awal yang sangat tinggi, karena sistem berbasis aturan tidak memiliki kemampuan penalaran dinamis yang dimiliki manusia, dan sistem semacam itu memerlukan desain yang cermat. Sistem nonagen seperti otomatisasi proses robotik (RPA) tradisional bekerja dengan baik pada tugas-tugas terstruktur dan berulang karena mereka beroperasi secara linier dan statis akibat kurangnya kesadaran. Tanpa kemampuan untuk menggunakan nalar, sistem ini cenderung gagal ketika perubahan diterapkan pada skenario tertentu. Mereka tidak diperlengkapi untuk mempelajari atau beradaptasi dengan skenario baru.

Terlebih lagi, mereka tidak dapat menangani input yang kompleks dan tidak terstruktur karena pemahaman bahasa manusia dan kemampuan produksi yang jauh melebihi kemampuan sistem komputer tradisional. Sistem otomatis harus dikontrol dengan kontrol statis. Jika ingin mengubah sesuatu, pengguna perlu memindahkan slider secara manual atau mencentang kotak melalui antarmuka.

Ada juga yang disebut "paradoks otomatisasi" yang harus dihadapi, yang menyatakan bahwa semakin efisien sistem otomatis, semakin penting kontribusi operator manusia. Jika terjadi kesalahan dalam sistem otomatis, sistem tersebut mungkin akan memperburuk masalah hingga manusia memperbaikinya.

Otomatisasi model AI, didukung oleh algoritma machine learning canggih yang disebut model bahasa besar (LLM), adalah peningkatan besar, tetapi sistem AI nonagen masih bersifat reaktif. Mereka bekerja ketika diinstruksikan dan mengikuti prompt yang ditentukan secara sempit. Misalnya, model perkiraan dapat memprediksi lonjakan permintaan, tetapi tidak dapat memesan ulang stok, memberi tahu tim penjualan, atau menyesuaikan jadwal pengiriman tanpa perintah lebih lanjut. Memperkenalkan konteks baru mungkin memerlukan pelatihan ulang atau konfigurasi ulang yang mahal dan memakan waktu.

Munculnya otomatisasi proses agen menandai tonggak utama untuk otomatisasi karena agen dapat membuat keputusan berbasis data secara real-time dan memiliki kemampuan beradaptasi, yang secara drastis mengurangi kebutuhan akan intervensi manusia. Agen dapat memecah tujuan bisnis menjadi langkah-langkah yang dapat ditindaklanjuti, memprioritaskan, dan menjalankannya dalam urutan yang berkembang berdasarkan konteks real-time, sehingga menghasilkan otomatisasi yang lebih cerdas di seluruh alur kerja yang kompleks.

Teknologi AI agen terus beradaptasi menggunakan masukan dari lingkungan, menggabungkan data dan hasil real-time ke dalam proses pengambilan keputusan, meningkatkan kinerja dari waktu ke waktu, dan merespons gangguan yang tidak terduga secara dinamis.

Sementara banyak model AI nonagen berjuang dengan data yang tidak terstruktur, seperti email, dokumen, atau bahasa terbuka, sistem agen unggul melalui penggunaan pemrosesan bahasa alami (NLP) dan AI generatif (genAI). Hal ini memungkinkan mereka untuk memahami input yang kompleks, membuat fungsinya lebih menyerupai kerja manusia. Dan ketika agen tidak yakin bagaimana menangani suatu situasi, mereka dapat menggunakan metodologi human-in-the-loop untuk mendapatkan validasi dari manusia.

Agen dapat bekerja bersama dalam orkestrasi AI multiagen, di mana setiap agen mengkhususkan diri dalam jenis tugas tertentu. Mereka dapat bekerja di seluruh silo, berintegrasi dengan aplikasi, API, dan sistem eksternal untuk menyelesaikan alur kerja otomatis yang kompleks.

Inti dari otomatisasi agen adalah kemampuannya untuk menggabungkan beberapa teknologi untuk melaksanakan tugas-tugas yang seharusnya membutuhkan intervensi manusia. Tidak semua agen memiliki semua kemampuan ini dan otomatisasi lanjutan akan membutuhkan beberapa jenis agen AI. Di bawah ini adalah komponen agen AI:

Langkah pertama adalah Persepsi. AI agen memulai dengan mengumpulkan data dari lingkungannya melalui sensor, API, basis data, atau interaksi pengguna. Langkah ini memastikan sistem memiliki informasi terkini untuk analisis data dan tindak lanjut.

Berikutnya adalah Penalaran. Setelah data dikumpulkan, AI memprosesnya untuk mengekstrak insight yang berarti. Dengan menggunakan NLP, visi komputer, atau kemampuan AI lainnya, sistem ini menginterpretasikan pertanyaan pengguna, mendeteksi pola, dan memahami konteks yang lebih luas. Ini membantu AI menentukan tindakan apa yang harus diambil berdasarkan situasi.

Dengan Penetapan tujuan, agen menetapkan tujuan berdasarkan tujuan yang telah ditentukan atau input pengguna. AI lalu membangun strategi untuk mencapai semua tujuan tersebut, sering kali menggunakan pohon keputusan, pembelajaran penguatan, atau algoritma perencanaan lainnya.

Dalam Pengambilan keputusan, agen mengevaluasi berbagai tindakan yang mungkin dan memilih tindakan yang optimal berdasarkan berbagai faktor seperti efisiensi, akurasi, dan hasil yang diprediksi.

Setelah memilih tindakan, agen melakukan Eksekusi, baik melalui interaksi dengan sistem eksternal (API, data, robot) maupun memberikan respons kepada pengguna.

Selanjutnya, AI Mempelajari dengan mengevaluasi hasil dan mengumpulkan masukan untuk meningkatkan keputusan pada masa depan. Melalui pembelajaran penguatan atau pembelajaran yang diawasi sendiri, agen menyempurnakan strateginya dari waktu ke waktu, sehingga lebih efektif dalam menangani tugas serupa pada masa mendatang.

Agen dapat digunakan di hampir semua industri, namun berikut adalah beberapa bidang umum di mana mereka merupakan alat otomatisasi yang sedang berkembang.

Dalam operasi keuangan, sistem berbasis AI dapat menangani berbagai tugas seperti pemrosesan faktur, deteksi penipuan, pelaporan keuangan, dan pemantauan kepatuhan. Misalnya, AI agen dapat mengekstrak data dari faktur, memvalidasi terhadap pesanan pembelian, dan memulai alur kerja persetujuan dalam utang dagang

Sistem AI juga membantu pencegahan risiko. Dengan menganalisis sejumlah besar data transaksi secara real-time, AI agen dapat mendeteksi pola atau anomali tidak biasa yang mungkin mengindikasikan penipuan. Sistem ini dapat menandai transaksi yang mencurigakan untuk penyelidikan lebih lanjut sehingga memberikan keamanan ekstra.

Dalam manajemen investasi, AI agen dapat memproses data pasar, menilai tren, dan melaksanakan perdagangan pada waktu yang optimal, semuanya dengan intervensi manusia minimal. Alat yang didukung AI bahkan dapat membantu dalam manajemen portofolio dengan menganalisis profil risiko klien atau merekomendasikan strategi investasi yang disesuaikan.

Dalam perawatan kesehatan, platform otomatisasi dapat mengoordinasikan berbagai alur kerja administratif seperti masukan data pasien, pemeriksaan kelayakan asuransi, penjadwalan janji temu, dan proses penagihan. Sistem ini mengurangi upaya manual dan mempercepat tugas rutin dan memberatkan.

Mereka juga dapat menafsirkan catatan klinis yang tidak terstruktur menggunakan NLP, mengekstraksi insight medis utama, atau menandai anomali untuk ditinjau oleh staf medis, sehingga meningkatkan akurasi diagnostik dan keselamatan pasien.

Sistem agen juga unggul dalam bidang kepatuhan, di mana mereka dapat membantu memenuhi persyaratan regulasi yang kompleks dengan memastikan dokumentasi yang tepat dan jejak audit.

Semua platform ini juga membantu dalam koordinasi perawatan, memfasilitasi komunikasi antar departemen, mengirimkan pengingat, dan inisiatif perawatan lainnya yang berfokus pada pasien.

Dalam manajemen rantai pasokan, sistem agen dapat terus memantau data real-time di berbagai domain, mulai dari tingkat inventaris hingga logistik pengiriman hingga metrik kinerja vendor, dengan tujuan secara proaktif mengidentifikasi potensi gangguan sebelum meningkat. Ketika agen deteksi anomali atau penundaan, mereka dapat mengubah rute kapal secara mandiri atau menyesuaikan strategi pengadaan berdasarkan informasi rantai pasokan terkini untuk mempertahankan aliran produksi.

Dari penguraian resume hingga penjadwalan wawancara dan penyediaan akun, AI agen dapat mengoordinasikan seluruh proses orientasi dengan mengatur banyak sistem. Sebelum sebuah lowongan pekerjaan ditulis atau posisi yang kosong bahkan belum diidentifikasi, seorang agen dapat menganalisis sumber data seperti tren perekrutan historis, tingkat turnover karyawan, proyeksi pertumbuhan bisnis, dan demografi tenaga kerja. Setelah strategi perekrutan yang komprehensif dikembangkan, seorang agen dapat mulai berkontribusi dalam pembuatan deskripsi pekerjaan, menyaring CV, bahkan melakukan wawancara dan negosiasi kontrak. Setelah karyawan dipekerjakan, onboarding sebagian besar dapat diotomatiskan melalui chatbot.

Otomatisasi agen dapat meningkatkan pengalaman pelanggan dengan interaksi yang lebih cepat, lebih akurat, dan dipersonalisasi. Contoh penggunaan yang umum adalah chatbot dukungan pelanggan. Ini telah ada untuk sementara waktu, tetapi dengan AI agen, mereka dapat melakukan lebih banyak lagi. Bayangkan skenario di mana seorang pelanggan menghubungi pusat layanan pelanggan suatu perusahaan dengan masalah, misalnya kesulitan dalam memproses pengembalian barang. Secara tradisional, hal ini mungkin melibatkan waktu tunggu yang lama, komunikasi bolak-balik, dan transfer antar agen yang berulang. Otomatisasi agen, secara dramatis menyederhanakan proses.

Bot agen dapat memilah tiket TI, menjalankan diagnostik, mengatur ulang kata sandi, dan mengangkat masalah. Bot agen dapat menganalisis tiket dukungan TI yang masuk, menentukan tingkat prioritas, dan mengelompokkan masalah berdasarkan konteks. Dengan meninjau log sistem, status jaringan, dan gejala yang dilaporkan pengguna, bot ini dapat menjalankan diagnostik untuk menentukan potensi masalah seperti konflik perangkat lunak atau masalah jaringan.

Jika terjadi lupa kata sandi atau masalah akses sistem, bot dapat secara otomatis mengatur ulang kata sandi atau membantu dalam pemecahan masalah. Untuk masalah lebih kompleks yang memerlukan pengetahuan khusus atau pengawasan manusia, bot dapat meneruskan tiket ke staf dukungan, dengan memberikan konteks dan diagnostik. Dengan terus belajar dari interaksi sebelumnya, bot agen dapat meningkatkan kemampuan pemecahan masalah mereka, mengurangi jumlah respons, waktu respons, dan memungkinkan tim IT untuk berfokus pada berbagai tugas yang lebih kompleks dan bernilai tambah.

Agen adalah langkah selanjutnya dalam transformasi digital operasi bisnis, dan ekosistemnya terus meluas dan berkembang dengan cepat. Ada banyak kerangka kerja agen AI populer yang tersedia, tergantung pada kebutuhan bisnis, masing-masing dengan spesialisasi dan keterbatasannya sendiri yang mampu menangani berbagai proses bisnis dan inisiatif lain yang membutuhkan kemampuan AI tingkat lanjut. Kerangka kerja ini menyediakan fondasi untuk mengembangkan, menerapkan, dan mengelola agen AI, dengan fitur bawaan dan fungsi yang membantu merampingkan dan mempercepat proses. Langchain dan crewAI adalah dua kerangka kerja populer.