რა არის AI აგენტები და რატომ ლაპარაკობს ყველა მათზე?
ხელოვნური ინტელექტის ევოლუცია ჩატბოტებიდან ავტონომიურ სისტემებამდე
უკვე ორ წელზე მეტია ახალი AI მოდელები ყველასათვის ხელმისაწვდომია. უმეტესი ჩვენგანი მათთან ჩატის ინტერფეისით ვურთიერთობთ. თუმცა კომენტატორების აზრით ჩატბოტები ხელოვნური ინტელექტის ევოლუციაში მხოლოდ ერთი ეტაპია და მალე მათ AI აგენტები ჩაანაცვლებენ. მაგრამ რა არის AI აგენტი, რით განსხვავდება ჩვეულებრივი ჩატბოტისგან, და რისთვის შეგვიძლია მისი გამოყენება?
ChatGPT, Claude, Gemini და სხვა ჩატბოტები დიდი ენობრივი მოდელებია (LLM-ები), რომლებსაც შეუძლიათ ტექსტის, აუდიოსა და სურათების გაგება და მათი გენერირებაც. მაგრამ რა მოხდება, თუ AI-ს არა მხოლოდ პასუხების გაცემის, არამედ დამოუკიდებელი მოქმედებისა და გადაწყვეტილებების მიღების უნარსაც შეიძენს? სწორედ ამას აკეთებს AI აგენტი.
AI აგენტი არის სისტემა, რომელსაც შეუძლია გარკვეული დროის განმავლობაში დამოუკიდებლად იმოქმედოს, გამოიყენოს ინსტრუმენტები და გადაჭრას პრობლემები
წარმოიდგინეთ LLM-ზე მომუშავე ჩატბოტი საავადმყოფოს ვებ გვერდზე, რომელსაც წაკითხული აქვს კლინიკის სერვისები და შეუძლია გიპასუხოთ ნებისმიერ კითხვაზე. AI აგენტი ამაზე შორს მიდის. მას შეგიძლიათ დაავალოთ კონკრეტული ამოცანების დამოუკიდებლად გადაჭრა. მაგალითად, მიიღოს პაციენტის მოთხოვნა სპეციალისტთან ვიზიტის დასანიშნად, გადაამოწმოს მისი სამედიცინო ისტორია, შეამოწმოს დაზღვევა, გადახედოს ექიმების ხელმისაწვდომობას, გაითვალისწინოს სიმპტომების სიმწვავე, იპოვოს ყველაზე უფრო შესაფერისი დრო, დაუკავშირდეს აფთიაქს საჭირო მედიკამენტებისთვის და, საჭიროების შემთხვევაში, დაგეგმოს ტრანსპორტირება - ყოველივე ეს პაციენტის მუდმივი ინფორმირებით.
ამ შემთხვევაში AI აგენტი იღებს დავალებას და თვითონვე აგვარებს შუალედურ ამოცანებს. ის მსჯელობს, იყენებს ინსტრუმენტებს, ამუშავებს მონაცემებს და მოქმედებს. ხოლო როცა საჭიროა, უკავშირდება კლიენტს დამატებითი დეტალების მოსაძიებლად ან საბოლოო გადაწყვეტილებისთვის დასტურის მისაღებად. შესაბამისად, აგენტები განსხვავებით ჩატბოტებისგან გვთავაზობენ სერვისს და არა უბრალოდ პასუხს.
როგორ მუშაობს AI აგენტი
AI აგენტი შედგება სამი ძირითადი კომპონენტისგან: AI მოდელი (LLM), ინსტრუმენტები და ორკესტრაციის შრე. მოდელი არის სისტემა, რომელსაც ჩატში ვესაუბრებით. ინსტრუმენტები სხვადასხვა პროგრამებია, მაგალითად, ამინდის პროგნოზის მომწოდებლი ან საწყობში პროდუქტის შემმოწმებელი პორგრამა. ორკესტრაციის შრე კი ისაა, რასაც კოორდინაციის ფუნქცია აკისრია. ის აკავშირებს თქვენს მოთხოვნას მოდელთან და სწორ ხელსაწყოებთან, და იმახსოვრებს მნიშვნელოვან ინფორმაციას.
ეს, რა თქმა უნდა, AI აგენტების არქიტექტურის ძალიან ზოგადი აღწერაა. რეალურ სისტემებში აგენტების სტრუქტურა ბევრად უფრო რთულია. შეიძლება ერთდროულად გვქონდეს მოცემული რამდენიმე მოდელი, ან კიდევ სხვადასხვა ინსტრუმენტი, რომლებსაც მონაცემთა ბაზებთან და რეალურ ტექნოლოგიებთან აქვთ წვდომა. აგენტებს შეუძლიათ მიიღონ უკუკავშირი მომხმარებლებისგან ან სხვა სისტემებისგან და შესაბამისად იმოქმედონ. ზოგჯერ აგენტი ქვე-აგენტებისგანაც შედგება (ამის მაგალითს მოგვიანებით ვნახავთ).
აგენტების არქიტექტურაში მთავარი ინოვაცია არის შუა რგოლების ტრანსფორმაცია. კომპლექსურ სისტემებში ამ როლს აქამდე ადამიანები ასრულებდნენ, მალე კი მას AI მოდელები შეასრულებენ. სისტემის სტრუქტურა გარდაიქმნება:
ძველი სისტემები = ადამიანები + პროგრამები + მონაცემები
ახალი სისტემები = AI მოდელი + პროგრამები + მონაცემები
რა გავლენა ექნებათ AI აგენტებს ეკონომიკაზე?
სმარტფონების ხელმისაწვდომობამ აპლიკაციების ბუმი მოიტანა. დღეს ყველაფერს აპების მეშვეობით ვაკეთებთ: ტაქსის გამოძახება, ფულის გადარიცხვა, მუსიკის მოსმენა თუ მეგობრებთან ურთიერთობა. ამის მსგავასად, იაფი და ჭკვიანი AI მოდელების არსებობა შესაძლებელს გახდის ახალი ტიპის სისტემების გამრავლებას. მომავალში ტექნოლოგიური კომპანიები სავარაუდოდ აპებიდან AI აგენტების შექმნაზე გადავლენ. თუ აქამდე ჩვენი ცხოვრების დიდი ნაწილი აპების შრით იყო გაშუალებული, AI აგენტები ახალ შრეს შესძენს ჩვენს ყოველდღიურობას და ზოგადად ეკონომიკას.
დიდი ალბათობით აგენტები პირველ რიგში ასისტენტების როლს შეითავსებენ. მაგალითად, ელფოსტის აპლიკაციაში აგენტი თქვენთვის დაახარისხებს წერილებს და მოამზადებს სავარაუდო პასუხებს, რომელთა გადახედვა და გაგზავნაღა დაგრჩებათ.
AI აგენტების როლი ასისტენტობით არ შემოიფარგლება. ისინი პროდუქტების შექმნასაც შეძლებენ. უკვე არსებობს აგენტური სისტემები პროგრამირების სფეროში, რომლებიც მარტივი ინსტრუქციის მიღებისთანავე ვებ-აპლიკაციას აგებენ და გარკვეულწილად ანაცვლებენ პროგრამისტების, დიზაინერებისა და პროექტების მენეჯერების შრომას.
აი, მცირე მაგალითი იმასა, თუ როგორ შეგიძლიათ შექმნათ მარტივი To-Do აპლიკაცია lovable.dev-ის საშუალებით:
AI აგენტების არქიტექტურა გვთავაზობს მრავალ ახალ შესაძლებლობას თანამედროვე ეკონომიკის ტრანსფორმაციისთვის. მართალია, სრული სურათის წინასწარ დანახვა რთულია, მაგრამ პირველი ნიშნები უკვე ცხადად იკვეთება. იმის გათვალისწინებით, თუ რა ტემპით იაფდება და ვითარდება ახალი თაობის მოდელები, ამ პროცესის მხოლოდ დაჩქარებას უნდა ველოდოთ.
AI აგენტები როგორც თანა-მეცნიერები
AI აგენტების კიდევ ერთი მნიშვნელოვანი გამოყენება, რომელიც ჩემთვის ყველაზე საინტერესოა, მეცნიერებაშია მოსალოდნელი. თანამედროვე მეცნიერების სირთულე მის მასშტაბშია. სტატისტიკის მიხედვით, სამეცნიერო პუბლიკაციების რაოდენობა ყოველწლიურად იზრდება. მხოლოდ 2022 წელს 3 მილიონზე მეტი აკადემიური სტატია გამოქვეყნდა. ასეთი მოცულობის ინფორმაციის დამუშავება მეცნიერებისთვის სერიოზული გამოწვევაა. ეს სირთულე აღრმავებს ჰიპერ-სპეციალიზაციას, აფერხებს ინტერდისციპლინურ კვლევებს და საბოლოოდ ანელებს სამეცნიერო და ტექნოლოგიურ განვითარებას, რაც ეკონომიკაზე და ზოგად კაცობრიობის კეთილდღეობაზეც აისახება.
AI აგენტები ამ მხრივ დიდ იმედებს იძლევა. მეცნიერება საკმაოდ ფორმალიზებული დარგია, რაც აგენტური სისტემების დანერგვას შედარებით აადვილებს. AI აგენტებს შეუძლიათ დახმარება გაგვიწიონ ლიტერატურის მიმოხილვის პროცესში, ახალი ჰიპოთეზების ჩამოყალიბებაში, უკვე ჩატარებული კვლევების რეპლიკაციაში და ხარისხის შემოწმებაში, ასევე სხვადასხვა დარგებს შორის საინტერესო კავშირების აღმოჩენაში.
ეს არ არის ჰიპოთეტური მომავალი. გუგლმა უკვე შექმნაAI თანა-მეცნიერი, რომელიც აგენტური სისტემაა. მისი მიზანია მეცნიერებს დაეხმაროს კვლევითი ჰიპოთეზის ფორმულირებაში. დიაგრამაზე ხედავთ თანა-მეცნიერის არქიტექტურას:
მეცნიერი AI აგენტს აწვდის თავის კვლევით მიზანს, რის შემდეგადაც აგენტი მიმართავს ქვე-აგენტების სისტემას. როგორც დიაგრამაზეა ნაჩვენები, ეს ქვე-აგენტები ურთიერთქმედებენ: ერთი აგენტი გეგმავს კვლევას, მეორე ეძებს ლიტერატურას ინტერნეტში და აწყობს სამეცნიერო დებატების სიმულაციას, შემდეგი კი, - რეფლექსიის აგენტი - აფასებს მიღებულ შედეგს. გარდა ამისა, არსებობს აგენტი, რომელიც იდეების გენერირებას ცდილობს. ასევე, საინტერესოა კიდევ ერთი ქვე-აგენტი, რომელიც ერთგვარ "ტურნირს" აწყობს სხვა ქვე-აგენტების მიერ შექმნილ იდეებს შორის. საბოლოოდ, სისტემა ქმნის კვლევითი პროექტის დოკუმენტს და აწვდის მას მეცნიერს. მეცნიერს შეუძლია სისტემას უკუკავშირი მიაწოდოს და პროცესი თავიდან დაიწყოს, ან, თუ კმაყოფილია შედეგით, კვლევა თავად გააგრძელოს.
როგორც გუგლში ამბობენ, ამ სისტემამ უკვე შეძლო უნიკალური ჰიპოთეზის აღმოჩენა, რომელიც მეცნიერებს უკვე ჰქონდათ აღმოჩენილი, თუმცა საჯაროდ ჯერ არ იყო ცნობილი.
დასკვნისათვის
AI აგენტების შექმნა არ არის ისეთი რთული, როგორც ერთი შეხედვით ჩანს და, შესაძლოა, ტრადიციულ პროგრამირებაზე მარტივიც კი იყოს. ამის მიზეზი ის არის, რომ დღეს AI მოდელები თვითონ უმკლავდებიან ბევრ კომპლექსურ ამოცანას. ამიტომ პროდუქტის შემქმნელის როლი იცვლება: მან პრობლემა აბსტრაქტულ დონეზე უნდა გაიაზროს და წარმოიდგინოს, როგორ გადაჭრიდა მას, დამატებით, ვთქვათ, 10, 20 ან 200 ადამიანისგან შემდგარი გუნდი რომ ჰყოლოდა. საბოლოო ჯამში, AI აგენტის წარმატებისთვის გადამწყვეტია პრობლემის საფუძვლიანი ცოდნა და ამ ცოდნაზე დაყრდნობით სწორი სტრუქტურის მქონე აგენტის შექმნა.
მეტი ინფორმაციისათვის, გირჩევთ შემდეგ ორ საინტერესო დოკუმენტს:
Building effective agents \ Anthropic - ანთროფიკის ბლოგი, რომელიც განიხილავს, როდის ღირს აგენტური მიდგომის გამოყენება, და რა საუკეთესო პრაქტიკები არსებობს ამისთვის.
Agents | White Paper - გუგლის დოკუმენტი სადაც უფრო ღრმად არის აღწერილი აგენტების არქიტექტურა და ასევე მოცემულია მაგალითები Python-ში.