Wat zijn samengestelde AI-systeem- en AI-agents?
Mozaïek AI Agent Framework helpt ontwikkelaars de unieke uitdagingen van het ontwikkelen van AI-agents en samengestelde AI-systemen te overwinnen. Ontdek wat een AI-toepassing een samengesteld AI-systeem en een AI-agent maakt.
Samengestelde AI-systemen
Samengestelde AI-systemen zijn systemen die AI-taken aanpakken door meerdere interactieonderdelen te combineren. Een AI-model is daarentegen gewoon een statistisch model, bijvoorbeeld een transformator waarmee het volgende token in tekst wordt voorspeld. Samengestelde AI-systemen zijn een steeds vaker voorkomend ontwerppatroon voor AI-toepassingen vanwege hun prestaties en flexibiliteit.
Zie The Shift from Models to Compound AI Systems voor meer informatie.
Wat zijn AI-agents?
De branche definieert nog steeds AI-agents, maar het wordt over het algemeen begrepen als een AI-systeem waarbij het model enkele of alle planningsbeslissingen neemt in tegenstelling tot in code vastgelegde logica. Deze agents gebruiken grote taalmodellen (LLM's) om beslissingen te nemen en hun doelstellingen te bereiken.
Veel AI-agents-toepassingen zijn gemaakt van meerdere systemen, waardoor ze in aanmerking komen als samengestelde AI-systemen.
Agency is een continuum, hoe meer vrijheid we bieden modellen om het gedrag van het systeem te beheren, hoe agentachtiger de toepassing wordt.
Wat zijn hulpprogramma's?
AI-agents gebruiken hulpprogramma's om acties uit te voeren naast het genereren van talen, bijvoorbeeld om gestructureerde of ongestructureerde gegevens op te halen, code uit te voeren of te praten met externe services, zoals het verzenden van een e-mail of Slack-bericht.
Op Databricks kunt u Unity Catalog-functies gebruiken als hulpprogramma's, waardoor u eenvoudig hulpprogramma's kunt detecteren, beheren en delen. U kunt ook hulpprogramma's definiëren met behulp van opensource-agentcreatiebibliotheken zoals LangChain.
In typische agentische werkstromen krijgt de agent LLM metagegevens over hulpprogramma's, die worden gebruikt om te bepalen wanneer en hoe het hulpprogramma moet worden gebruikt. Bij het definiëren van hulpprogramma's moet u er dus voor zorgen dat het hulpprogramma, de bijbehorende parameters en de retourwaarde goed worden gedocumenteerd, zodat de agent LLM het beste het hulpprogramma kan gebruiken.
Van LLM's naar AI-agents
Als u AI-agents wilt begrijpen, is het handig om rekening te houden met de ontwikkeling van AI-systemen.
- LLM's: In eerste instantie hebben grote taalmodellen eenvoudig gereageerd op vragen op basis van kennis uit een uitgebreide trainingsgegevensset.
- LLM's en hulpprogrammaketens: ontwikkelaars hebben vervolgens hardcoded hulpprogramma's toegevoegd om de mogelijkheden van de LLM uit te breiden. Als u bijvoorbeeld augmented generation (RAG) opzoekt, is de knowledge base van een LLM uitgebreid met aangepaste documentatiesets, terwijl MET API-hulpprogramma's LLM's taken kunnen uitvoeren, zoals het maken van ondersteuningstickets of het verzenden van e-mailberichten.
- AI-agents: Ai-agents maken nu autonoom plannen en voeren taken uit op basis van hun begrip van het probleem. AI-agents gebruiken nog steeds hulpprogramma's, maar het is aan hen om te bepalen welk hulpprogramma moet worden gebruikt en wanneer. Het belangrijkste onderscheid ligt in het niveau van autonomie en besluitvormingsmogelijkheden in vergelijking met samengestelde AI-systemen.
Ai-toepassingen, ongeacht of het afzonderlijke LLM's, LLM's met hulpprogrammaketens of volledige AI-agents zijn, hebben vergelijkbare uitdagingen. Mozaïek AI Agent Framework helpt ontwikkelaars bij het beheren van de unieke uitdagingen van het bouwen en ai-toepassingen op alle complexiteitsniveaus.
Voorbeelden van AI-agents
Hier volgen enkele voorbeelden van AI-agents in verschillende branches:
AI/BI: met AI gemaakte chatbots en dashboards accepteren prompts in natuurlijke taal om analyses uit te voeren op de gegevens van een bedrijf, met inzichten uit de volledige levenscyclus van hun gegevens. AI/BI-agents parseren aanvragen, bepalen welke gegevensbronnen moeten worden gebruikt en hoe ze bevindingen kunnen communiceren. AI/BI-agents kunnen in de loop van de tijd worden verbeterd door menselijke feedback, met hulpprogramma's voor het verifiëren en verfijnen van de uitvoer.
Klantenservice: op AI gebaseerde chatbots, zoals chatbots die worden gebruikt door klantenserviceplatforms, communiceren met gebruikers, natuurlijke taal begrijpen en relevante antwoorden geven of taken uitvoeren. Bedrijven gebruiken AI-chatbots voor klantenservice door query's te beantwoorden, productinformatie te verstrekken en te helpen bij het oplossen van problemen.
Productie voorspellend onderhoud: AI-agents kunnen verder gaan dan alleen het voorspellen van apparatuurfouten, autonoom handelen door vervangingen te bestellen of onderhoud te plannen om downtime te verminderen en de productiviteit te verhogen.
Volgende stappen
Meer informatie over het ontwikkelen en evalueren van AI-agents:
Zelfstudies voor AI-agents: