Ovo je sedam tipova AI agenata

Ulazimo u eru agentske umjetne inteligencije. Već imamo poslovne sustave koji se temelje na tom okviru, u kojima sve češće specijalizirani modeli preuzimaju različite dijelove kompleksnih zadataka.

Možemo zamisliti nešto složeno, poput AI sustava koji nudi sofisticirane povratne informacije o novoj modnoj kolekciji iz Milana, ili automatizirano istraživanje tržišta za globalnu kompaniju, pa čak i pametne sustave upravljanja velikim voznim parkovima. Primjeri su bezbrojni, ali zajedničko im je to da sve češće upravo ovi AI agenti pokreću poslovanje u najrazličitijim sektorima.

U tom kontekstu korisno je razumjeti glavne razlike među različitim vrstama agenata. U osnovi, postoji sedam glavnih tipova agenata koji se razlikuju po složenosti i funkciji. Na samom početku nalazi se tzv. jednostavni refleksni agent. Riječ je o najosnovnijoj vrsti AI sustava koji obavlja vrlo ograničene zadatke, primjerice nudi jednostavne preporuke. Takav agent nema razvijenu sposobnost rasuđivanja niti "kognitivne" sposobnosti, a uz to nije sposoban zadržavati stanje ni analizirati širi kontekst.

Nadograđena verzija tog modela je jednostavni refleksni agent s memorijom. I dalje se oslanja na pravila i unaprijed definirane obrasce ponašanja, ali posjeduje osnovnu sposobnost pamćenja, što ga čini nešto fleksibilnijim od prethodnog tipa. Ipak, i dalje nije sposoban planirati unaprijed ili analizirati moguće posljedice svojih odluka.

Korak iznad toga nalazi se refleksni agent temeljen na modelu. Ovaj tip može održavati unutarnji model svijeta te kombinirati prethodna iskustva s trenutačnim podacima kako bi donio odluke. Posebno je koristan u dinamičnim ili djelomično poznatim okruženjima u kojima postoji niz nepoznanica, ali i strukturiranih informacija. Njegova snaga leži u sposobnosti prilagodbe uvjetima koji se stalno mijenjaju.

Sljedeća faza razvoja agentičkih sustava je agent temeljen na ciljevima. Ovaj tip koristi traženje i planiranje kako bi došao do postupaka koji vode ostvarenju ciljeva. Može uspoređivati različite scenarije i potencijalne ishode te na temelju toga donositi odluke. Ipak, i dalje ovisi o jasno definiranom cilju, a nema ugrađen sustav vrijednosti niti sposobnost učenja.

Složeniji je agent temeljen na korisnosti, koji može analizirati različite kriterije u okviru pravila i donositi racionalne odluke u situacijama kada se ciljevi međusobno sukobljavaju. Ovaj tip nastoji maksimizirati očekivanu korist i zato je posebno prikladan za kompleksna i nepredvidiva okruženja. On omogućava sofisticiranije donošenje odluka nego što je to moguće kod ciljno orijentiranih agenata.

Agent koji posjeduje sposobnost učenja nosi naziv učenik-agent. Kako mu i ime kaže, može se prilagođavati na temelju iskustva i razvijati kroz interakciju sa svijetom, čime postaje sve bolji u obavljanju zadanih zadataka.

Na samom vrhu hijerarhije nalazi se racionalni agent. On djeluje s ciljem maksimizacije ukupne učinkovitosti, koristi dostupne informacije, ciljeve i preferencije, a uz to može u sebi integrirati sve prethodno opisane vrste agenata. Sposoban je optimalno funkcionirati čak i u uvjetima nesigurnosti i složenosti. Ukratko, racionalni agent je najkompletniji oblik agentičkog sustava.

Uz ovu hijerarhiju, postoje i funkcionalni agenti specijalizirani za konkretne uloge, poput konverzacijskih agenata ili tzv. developerskih agenata koji imaju ugrađene sposobnosti programiranja. Primjerice, jedan model može uputiti kompleksan zadatak kodiranja drugom, specijaliziranom agentu, koji potom može vratiti rezultat konverzacijskom agentu kada zadatak bude dovršen. Time se postiže fleksibilna suradnja između različitih AI sustava.

Korištenje ovih agenata ovisi o konkretnim slučajevima i potrebama. U području dizajna sustava, ključno je odabrati odgovarajući tip agenta u skladu sa složenošću projekta, mogućnošću opažanja okruženja i zadanim ciljevima. To zahtijeva precizno razumijevanje što svaki model može i ne može. U planiranju sposobnosti sustava, važno je pronaći ravnotežu između jednostavnosti i moći, posebno ako se želi razviti skalabilno ili prilagodljivo rješenje. Oni koji dobro razumiju ovu strukturu mogu prenijeti znanje drugima i potaknuti obrazovanje u području automatizacije. Također, već postojeći agenti mogu se nadograditi novim funkcijama kako bi bolje odgovarali novim zadacima.

Ovakav okvir razumijevanja AI agenata koristan je u razjašnjavanju kako iz ovih sustava izvlačimo sve više koristi, upravo zato što ih sve više specijaliziramo. Često u tom kontekstu spominjem rad Marvina Minskog, koji je i sam bio povezan s MIT-om i koji je u svojoj knjizi The Society of the Mind tvrdio da ljudski mozak nije jedno računalo, nego stotine malih "računala" koja surađuju na specijalizirane načine. Umjetna inteligencija danas postaje sve sličnija takvom sustavu, i zato je sve uspješnija u oponašanju ljudskih kognitivnih procesa.

Što se tiče utjecaja na tržište rada i svih drugih društvenih posljedica, o tome ću i dalje redovito pisati na blogu dok pratimo kako se ova tehnologija razvija – i to brzinom koja nam često izmiče pred očima.