Cos'è un agente basato su obiettivi?

Nella gerarchia a cinque livelli della complessità degli agenti, gli agenti basati su obiettivi si collocano nel mezzo. Sono più complessi sia dei semplici agenti riflessi (che seguono regole predefinite) sia degli agenti riflessi basati su modelli (che aggiungono un modello interno del mondo). Ma sono meno complessi sia degli agenti basato su utility (che possono calcolare i compromessi utilizzando una cosiddetta funzione di utilità) sia degli agenti di apprendimento (che possono adattarsi e migliorare nel tempo, spesso attraverso l'apprendimento per rinforzo o il deep learning).

Gli agenti basati su obiettivi superano gli agenti riflessi più semplici aggiungendo una funzione di pianificazione che considera gli stati futuri, ma non utilizzano le valutazioni dinamiche di agenti più sofisticati, affidandosi invece a strategie preprogrammate o alberi decisionali per raggiungere i loro obiettivi. 

Un esempio di agente basato su obiettivi proviene dal campo della robotica, in particolare dall'automazione del magazzino. Un robot di magazzino che deve prelevare un determinato articolo da uno scaffale specifico potrebbe semplicemente reagire agli ostacoli immediati, come un robot aspirapolvere che urta contro i muri (un agente puramente "reattivo"). Sarebbe però più efficiente pianificare un percorso che riduca al minimo le deviazioni ed eviti gli ostacoli noti. Ad esempio, in un ambiente dinamico come un moderno magazzino, un modulo di pianificazione può consultare la propria base di conoscenza, osservare lo stato attuale e mappare gli stati futuri (ad esempio, consapevolezza dei movimenti pianificati di altri bot), per raggiungere il risultato desiderato in modo efficiente.

Gli agenti basati su obiettivi operano in quattro fasi: 

1. Definizione degli obiettivi
2. Pianificazione
3. Selezione delle azioni
4. Esecuzione

Innanzitutto, all'agente viene data una definizione precisa di successo. A differenza degli agenti basato su utility, gli agenti basati su obiettivi operano in condizioni logiche binarie. Ma mentre un agente basato su obiettivi può definire il successo come il passaggio di bit da uno stato all'altro, nulla impedisce che il singolo "obiettivo" di un tale agente sia un insieme moderatamente complesso di logica proposizionale e di primo ordine. Per esempio, un robot potrebbe impostare l'obiettivo di "per ogni pacco realmente contrassegnato come urgente, consegnare ciascuno di essi dalla rispettiva posizione di inventario alla banchina di spedizione". L'obiettivo è fondamentalmente binario (si può riuscire o fallire in questo obiettivo), ma ha anche più componenti, che ne consentono la complessità.

Anche se sarebbe bello che un utente umano definisse gli obiettivi con precisione, è anche possibile che un umano inserisca un obiettivo più vago ("ottimizzare la spedizione") e che un LLM colmi il divario e lo definisca in un obiettivo o in una serie di obiettivi più precisi (ad esempio, "stimare la produttività giornaliera del sistema", "definire i pacchetti P come la massima priorità"; "fissare l'obiettivo di consegnare i pacchetti P entro 24 ore"). 

Dopo aver definito il suo obiettivo, l'agente basato su obiettivi passa a una breve pianificazione prima dell'esecuzione. Ad esempio, nell'esempio del magazzino, l'agente dedicherà del tempo a modellare le condizioni attuali e potenziali per scegliere un percorso ottimale per soddisfare gli ordini di massima priorità in tempo, decidendo, ad esempio, con quale frequenza debba effettuare spostamenti dagli scaffali dell'inventario alla banchina di spedizione.

Naturalmente, i piani sono validi solo nella misura in cui si confrontano con la realtà. Mentre alcuni agenti basati sugli obiettivi sono "conservatori" e preferiscono attenersi ai piani fino a renderli letteralmente impossibili, approcci più flessibili provengono da agenti "opportunisti" che, se incontrano ostacoli ai loro piani, calcolano in modo flessibile un'azione successiva migliore: proprio come quando Google Maps aggira un ingorgo imprevisto.

Nel caso di un robot di magazzino, i sensori sulla macchina possono aiutare a monitorare la situazione in tempo reale, fornendo dati cruciali al modulo di pianificazione. Ad esempio, se un sensore rileva che l'obiettivo secondario di "afferrare il pacchetto" non è riuscito per qualche motivo, un agente basato su obiettivi può tentare di diagnosticare la causa, pianificare un approccio alternativo o chiamare il backup.

La decisione di quale tipo di agente AI utilizzare dipende dal tipo di problema da risolvere. Finché ricevono obiettivi specifici, i modelli AI alla base degli agenti basati sugli obiettivi possono prendere decisioni informate e gestire compiti complessi, ma i criteri di successo devono essere semplici (spesso binari).

Tuttavia, in situazioni in cui l'adattabilità in tempo reale è fondamentale o in cui ci sono più obiettivi da ottimizzare, le aziende potrebbero voler passare dagli agenti basati su obiettivi a un'opzione più sofisticata, come gli agenti basati sulle utilità. Un esempio canonico in questo caso sarebbe un veicolo autonomo. Quando un passeggero chiama un'auto a guida autonoma, gli obiettivi da bilanciare sono molteplici: durata, prezzo, aggiramento del traffico, sicurezza. Per offrire la migliore esperienza del cliente, un veicolo basato su AI deve sottoporsi a processi decisionali, valutando i vari compromessi tra le possibili azioni. La funzione di utilità risultante detterà le azioni dell'agente. 

Non si può dire che un sistema agentico non possa combinare i tipi di agenti, con ogni agente adattato alla complessità del problema in questione. Ad esempio, si può immaginare un esempio dal settore sanitario: un ospedale che impiega non solo agenti basati su obiettivi per eseguire workflow, ma anche agenti degli altri quattro tipi esaminati.

Al livello più elementare, un agente riflesso chiamato Vitals Monitor potrebbe semplicemente monitorare i segni vitali di tutti i pazienti. Il suo obiettivo specifico è quello di far scattare un allarme se, ad esempio, la frequenza cardiaca di un paziente scende al di sotto di un certo livello, in modo da allertare un medico o un'infermiera per un intervento umano. Un tale agente può fare affidamento su semplici algoritmi if/then.

Un livello superiore, un agente riflesso basato su modelli, chiamato Agente di inventario, potrebbe gestire l'inventario dei farmaci e delle forniture per l'ospedale. Mantiene un modello interno dell'inventario attuale, dei modelli di utilizzo storici e dei tempi di risposta dei partner della catena di approvvigionamento, per ottimizzare gli ordini di ricarica.

In terzo luogo, un agente di livello superiore basato sugli obiettivi, chiamato Discharge Planner, potrebbe procedere a ritroso partendo dal semplice obiettivo binario della dimissione del paziente. Si baserebbe su strategie e alberi decisionali già programmati, considerando anche gli stati futuri, per coordinare i laboratori, i farmaci e le firme degli specialisti, comprese tutte le attività secondarie necessarie. Se un passaggio viene ritardato, il modulo di pianificazione può essere rieseguito, formulando un nuovo piano. (L'agente basato su obiettivi, come la maggior parte di questi agenti, sarà probabilmente perfezionato su un modello linguistico di grandi dimensioni.)

In quarto luogo, un agente basato su utility chiamato Bed Assignment Optimizer potrebbe assegnare i pazienti a varie stanze, cercando al contempo di massimizzare sicurezza, soddisfazione e rendimento. Poiché deve gestire beni multipli e compromessi complessi, l'agente lavora con le utilità, valutando variabili come la contagiosità, i livelli di personale e la gravità della malattia.

Al quinto e più alto livello, un agente di apprendimento chiamato Intake Assistant utilizza il machine learning, cercando modelli dalle esperienze passate per migliorare le domande di triage, segnalare i pazienti ad alto rischio e ridurre i passaggi ridondanti. A differenza degli agenti di livello inferiore, questo agente di apprendimento deve valutare continuamente insiemi di dati in evoluzione, cercando schemi profondi che potrebbero essere invisibili agli esseri umani. 

I cinque agenti lavorano insieme come un insieme di assistenti virtuali per risolvere problemi complessi. Con la corretta orchestrazione e l'Integrazione di varie funzionalità dall'elaborazione del linguaggio naturale (NLP) e dall'AI generativa alla computer vision e alle chiamate agli strumenti API, il sistema multiagente è semplice dove deve essere semplice e complesso dove deve essere complesso.