Beyond ChatGPT; AI Agent: Uusi maailma työntekijöille

Syvän oppimisen, luonnollisen kielen prosessoinnin (NLP) ja tekoälyn edetessä olemme aikakaudella, jossa tekoälyagentit voivat muodostaa merkittävän osan maailmanlaajuisesta työvoimasta. Nämä tekoälyagentit, jotka ylittävät chatbotit ja ääniohjaimet, muokkaavat uuden paradigman sekä teollisuudelle että päivittäisille elämälle. Mutta mitä se todella tarkoittaa elää maailmassa, jota tämä “työntekijät” täydentävät? Tämä artikkeli syventyy tähän kehittyvään maisemaan, arvioiden vaikutukset, potentiaalin ja haasteet, jotka ovat edessä.

Lyhyt katsaus: Tekoälytyöntekijöiden evoluutio

Ennen kuin ymmärrämme tulossa olevan vallankumouksen, on tärkeää tunnistaa tekoälyohjatun evoluution, joka on jo tapahtunut.

• Perinteiset tietokonejärjestelmät: Peruslaskentalgoritmeista matka alkoi. Nämä järjestelmät voivat ratkaista ennalta määritettyjä tehtäviä kiinteän sääntöjoukon avulla.
• Chatbotit ja varhaiset ääniohjaimet: Teknologian edetessä myös rajapinnat kehittyivät. Työkalut kuten Siri, Cortana ja varhaiset chatbotit yksinkertaisivat käyttäjän ja tekoälyn välistä vuorovaikutusta, mutta niillä oli rajoitettu ymmärrys ja kyky.
• Neuroverkkot ja syvä oppiminen: Neuroverkkot merkitsivät käännekohtaa, jäljitellen ihmisaivojen toimintoja ja kehittyen kokemusten kautta. Syvä oppimismenetelmät paransivat tätä edelleen, mahdollistaen monimutkaisen kuvan ja puheentunnistuksen.
• Transformerit ja edistyneet NLP-mallit: Transformer-arkkitehtuurien esittely vallankumosi NLP-maailman. Järjestelmät kuten ChatGPT OpenAI: lta, BERT ja T5 ovat mahdollistaneet läpimurron ihmisten ja tekoälyn välisessä viestinnässä. Niiden syvän kielen ja kontekstin ymmärryksen ansiosta nämä mallit voivat pitää merkityksellisiä keskusteluja, luoda sisältöä ja vastata monimutkaisiin kysymyksiin ennennäkemättömällä tarkkuudella.

Tekoälyagentin saapuminen: Enemmän kuin vain keskustelu

Nykyinen tekoälymaisema viittaa siihen, että se on laajempaa kuin vain keskustelutyökalut. Tekoälyagentit, jotka ylittävät pelkän chat-toiminnallisuuden, voivat nyt suorittaa tehtäviä, oppia ympäristöstään, tehdä päätöksiä ja jopa osoittaa luovuutta. Ne eivät vain vastaa kysymyksiin; ne ratkaisevat ongelmia.

Perinteiset ohjelmistomallit toimivat selkeän polun mukaan. Sidosryhmät ilmaisivat tavoitteen ohjelmistopäällikölle, joka suunnitteli sitten tietyn suunnitelman. Insinöörit toteuttivat tämän suunnitelman koodiriveillä. Tämä ‘perinteinen paradigm’ ohjelmisto-toiminnallisuudesta oli selkeä, ja se sisälsi paljon ihmisten väliintuloja.

Tekoälyagentit toimivat kuitenkin toisin. Agentilla:

1. on tavoitteita, joita se pyrkii saavuttamaan.
2. voi vastata ympäristöönsä.
3. muodostaa suunnitelman näiden havaintojen perusteella tavoitteen saavuttamiseksi.
4. tekee tarvittavat toimet, sopeuttaen lähestymistapaansa ympäristön muuttuvan tilan mukaan.

Se, mikä erottaa tekoälyagentit perinteisistä malleista, on heidän kykynsä luoda itsestään askelkohtainen suunnitelma tavoitteen saavuttamiseksi. Olennaisesti, kun aiemmin ohjelmoija tarjosi suunnitelman, nykyiset tekoälyagentit piirtävät oman reittinsä.

Tarkastellaan arkipäiväistä esimerkkiä. Perinteisessä ohjelmistosuunnittelussa ohjelma ilmoittaisi käyttäjille myöhästyneistä tehtävistä ennalta määritettyjen ehtojen perusteella. Kehittäjät asettavat nämä ehdot tuotejohtajan toimittamien määritysten perusteella.

Tekoälyagenttiparadigmassa agentti itse määrittää, milloin ja miten ilmoittaa käyttäjälle. Se arvioi ympäristön (käyttäjän tottumukset, sovelluksen tila) ja päättää parhaan toimintatavan. Prosessi muuttuu näin dynaamiseksi, enemmän hetkessä.

ChatGPT merkitsi poikkeamaa perinteisestä käytöstä liittämällä siihen laajennukset, mikä mahdollisti sen käyttämisen ulkoisten työkalujen hyödyntämiseen useiden pyyntöjen suorittamiseksi. Se oli varhainen ilmentymä agenttikäsitteestä. Jos tarkastelemme yksinkertaista esimerkkiä: käyttäjä tiedustelee New Yorkin säästä, ChatGPT hyödyntäen laajennuksia voi vuorovaikuttaa ulkoisen sää-API: n kanssa, tulkita dataa ja jopa korjata kurssia saadun vastauksen perusteella.

Nykyinen tekoälyagenttien maisema

Tekoälyagentit, mukaan lukien Auto-GPT, AgentGPT ja BabyAGI, ovat merkitsemässä uuden aikakauden laajassa tekoälymaailmassa. Kun ChatGPT popularisoi generatiivisen tekoälyn vaativalla ihmisen syötteellä, tekoälyagenttien visio on mahdollistaa tekoälyjen toimia itsenäisesti, suunnaten kohti tavoitteita vähäisen tai olemattoman ihmisen väliintulon kanssa. Tämä muodonmuuttava potentiaali on korostettu Auto-GPT: n meteorisen nousun kautta, joka on kerännyt yli 107 000 tähteä GitHubissa vain kuuden viikon kuluessa sen syntymästä, mikä on ennennäkemätön kasvu verrattuna vakiintuneisiin projekteihin kuten data science -pakettiin ‘pandas’.

Tekoälyagentit vs. ChatGPT

Monet edistyneet tekoälyagentit, kuten Auto-GPT ja BabyAGI, hyödyntävät GPT-arkkitehtuuria. Heidän ensisijainen tavoitteensa on minimoida ihmisen väliintulon tarve tekoälytehtävien suorittamisessa. Kuvailevat termejä kuten “GPT silmukassa” kuvaavat mallien toimintaa, kuten AgentGPT ja BabyAGI. Ne toimivat iteraatiivisissa sykleissä paremman ymmärryksen saavuttamiseksi käyttäjän pyynnöistä ja parantamaan tuloksiaan. Sillä välin Auto-GPT puskee rajoja pidemmälle sisällyttämällä internet-yhteys- ja koodin suorittamiskykyjä, laajentaen merkittävästi ongelmanratkaisukykyään.

Innovaatiot tekoälyagentteja

1. Pitkäaikainen muisti: Perinteiset LLM: llä on rajoitettu muisti, joka säilyttää vain viimeaikaiset vuorovaikutuksen osat. Kattavien tehtävien osalta koko keskustelun tai jopa aiempien keskustelujen muistaminen tulee oleelliseksi. Päästäkseen yli tämän muistirajoituksesta tekoälyagentit ovat omaksuneet upotus-työvirran, joka muuttaa tekstipohjaiset keskustelut numeerisiin taulukoihin, tarjoten ratkaisun muistirajoituksiin.
2. Verkkoselainominaisuudet: Pysyäkseen ajan tasalla uusimmista tapahtumista Auto-GPT on varustettu verkkoselainominaisuuksilla, jotka hyödyntävät Google-hakukoneen API: ta. Tämä on herättänyt keskustelun tekoäly-yhteisössä tekoälyn tietämyksen laajuudesta.
3. Koodin suorittaminen: Koodin generoimisen lisäksi Auto-GPT voi suorittaa sekä shell- että Python-koodia. Tämä ennennäkemätön kyky mahdollistaa sen vuorovaikutuksen muiden ohjelmistojen kanssa, laajentaen siten sen toiminnallista aluetta.

Kuva visualisoi tekoälyjärjestelmän arkkitehtuurin, joka perustuu suurelle kielen mallille ja agenteille.

• Syötteet: Järjestelmä vastaanottaa dataa moninaisista lähteistä: suorista käyttäjän komennoista, rakennetuista tietokannoista, verkkosisällöstä ja reaaliaikaisista ympäristön antureista.
• LLM & Agentit: Ydinkohdassa LLM prosessoi nämä syötteet yhteistyössä erikoistuneiden agenttien, kuten Auto-GPT: n, AgentGPT: n ja BabyAGI: n kanssa tietyn tyyppisten toimintojen suorittamiseksi.
• Tulokset: Käsiteltyään tiedon, se muunnetaan käyttäjäystävälliseen muotoon ja välitetään laitteille, jotka voivat toimia tai vaikuttaa ulkoiseen ympäristöön.
• Muistikomponentit: Järjestelmä säilyttää tietoa sekä tilapäisesti että pysyvästi lyhytaikaisissa välimuisteissa ja pitkäaikaisissa tietokannoissa.
• Ympäristö: Tämä on ulkoinen valtakunta, joka vaikuttaa antureihin ja johon järjestelmän toimet vaikuttavat.

Edistyneet tekoälyagentit: Auto-GPT, BabyAGI ja lisää

AutoGPT ja AgentGPT

Auto-GPT, joka on ilmestynyt GitHubiin maaliskuussa 2023, on älykäs Python-pohjainen sovellus, joka hyödyntää GPT: n, OpenAI: n muodonmuuttavan generatiivisen mallin voimaa. Se, mikä erottaa Auto-GPT: n sen edeltäjistä, on sen autonomia – se on suunniteltu suorittamaan tehtäviä vähäisellä ihmisen ohjauksella ja sillä on ainutlaatuinen kyky itse käynnistää pyynnöt. Käyttäjien on vain määritettävä yleinen tavoite, ja Auto-GPT luo tarvittavat pyynnöt tämän päämäärän saavuttamiseksi, mikä on potentiaalinen vallankumous kohti todellista tekoälyä (AGI).

Ominaisuuksilla, jotka kattavat internet-yhteyden, muistin hallinnan ja tiedostojen tallennuksen GPT-3.5: n avulla, tämä työkalu on taitava käsittelemään laajaa valikoimaa tehtäviä, perinteisistä tehtävistä, kuten sähköpostin koostamisesta, monimutkaisiin tehtäviin, jotka vaativat paljon enemmän ihmisen osallistumista.

Toisaalta AgentGPT, joka on myös rakennettu GPT-kehykselle, on käyttäjäkeskeinen liittymä, joka ei vaadi laajaa koodaustaitoa asettaakseen ja käyttääkseen.

AgentGPT Käyttöliittymä

Lisäksi AgentGPT erottuu monipuolisuudestaan. Se ei ole rajoitettu pelkästään chatbottien luomiseen. Alusta laajentaa kykyjään luomaan erilaisia sovelluksia, kuten Discord-botteja, ja se integroituu saumattomasti Auto-GPT: hen. Tämä lähestymistapa takaa, että myös ne, joilla ei ole laajaa koodaustausta, voivat suorittaa tehtäviä, kuten täysin autonomisen koodauksen, tekstin luomisen, kielentunnistuksen ja ongelmanratkaisun.

LangChain on kehys, joka yhdistää suuret kielen mallit erilaisiin työkaluihin ja käyttää agenteja, usein kutsutaan “boteiksi”, määrittämään ja suorittamaan tiettyjä tehtäviä valitsemalla sopivan työkalun. Nämä agentit integroituvat saumattomasti ulkoisiin resursseihin, kun taas LangChainin vektortietokanta tallentaa rakentelemattoman datan, helpottaen nopeaa tietojen hakua LLM: lle.

BabyAGI

Sitten on BabyAGI, yksinkertainen mutta voimakas agentti. Ymmärtääkseen BabyAGI: n kyvyt, kuvitella digituaalinen projektipäällikkö, joka luonut, järjestää ja suorittaa tehtäviä tavoitteena terävä keskittyminen asetettuihin tavoitteisiin. Kun useimmat tekoälyohjatut alustat ovat rajoitettuja ennalta opitun tietämyksensä kanssa, BabyAGI erottuu kyvystään sopeutua ja oppia kokemuksista. Se pitää syvää kykyä havainnoida palautetta ja perustaa päätöksiä koettelemalla ja virheellä, samalla tavalla kuin ihmiset.

Huomattavin BabyAGI: n sisäinen vahvuus ei ole vain sen sopeutumiskyky, vaan myös sen taituruus suorittaa koodia tiettyjen tavoitteiden saavuttamiseksi. Se loistaa monimutkaisilla alueilla, kuten cryptocurrency-kaupassa, robotiikassa ja itseohjautuvassa ajossa, mikä tekee siitä monipuolisen työkalun monissa sovelluksissa.

https://yoheinakajima.com/task-driven-autonomous-agent-utilizing-gpt-4-pinecone-and-langchain-for-diverse-applications/

Prosessi voidaan jakaa kolmeen agenttiin:

1. Suoritusagentti: Järjestelmän sydän, tämä agentti hyödyntää OpenAI: n API: ta tehtävien prosessointiin. Annettuna tavoitteena ja tehtävänä, se lähettää pyynnön OpenAI: n API: lle ja hakee tehtävän tulokset.
2. Tehtävänluomisagentti: Tämä toiminto luo uusia tehtäviä aiempien tuloksien ja nykyisten tavoitteiden perusteella. Pyynnön lähetetään OpenAI: n API: lle, joka palauttaa mahdollisia tehtäviä, jotka on järjestetty sanastona.
3. Tehtävän priorisointiagentti: Viimeinen vaihe käsittää tehtävien järjestyksen priorisoinnin. Tämä agentti käyttää OpenAI: n API: ä järjestelemään tehtäviä varmistaen, että kaikkein kriittisimmät tehtävät suoritetaan ensin.

Yhteistyössä OpenAI: n kielen mallin kanssa BabyAGI hyödyntää Pineconen ominaisuuksia kontekstiin perustuvan tehtävän tulosten tallentamiseen ja hakemiseen.

Alhaalla on esimerkki BabyAGI: stä tästä linkistä.

Aloittaaksesi sinun on oltava voimassa oleva OpenAPI-avain. Helppokäyttöisyyden vuoksi Käyttöliittymässä on asetukset, jossa OpenAPI-avain voidaan syöttää. Lisäksi, jos haluat hallita kustannuksia, muista asettaa raja suoritettavien toistojen määrälle.

Kun olin määritellyt sovelluksen, tein pienen kokeen. Lähettäisin pyynnön BabyAGI: lle: “Luo tiivis Twitter-päivityssarja henkilökohtaisen kasvun matkasta, koskien merkittäviä tapahtumia, haasteita ja jatkuvaan oppimiseen liittyvää muodonmuutosta.”

BabyAGI vastasi hyvin suunnitellulla suunnitelman. Se ei ollut vain yleinen malli, vaan kattava tiekartta, joka osoitti, että perustava tekoäly oli todella ymmärtänyt pyynnön nuansseja.

Deepnote AI Copilot

Deepnote AI Copilot muuttaa dynamiikkaa muistikirjoissa. Mutta mitä se erottaa?

Sen ydin on tehostaaöiden työvirran. Hetkenä, kun annat alkeellisen ohjeen, AI käynnistyy, suunnittelee strategioita, suorittaa SQL-kyselyjä, visualisoi dataa Pythonilla ja esittää löydöksensä tarkasti.

Yksi Deepnote AI: n vahvuuksista on sen kattava ymmärrys työtilastasi. Ymmärtämällä integraatiot ja tiedostojärjestelmät, se sovittaa suunnitelmansa täydellisesti organisaatiokontekstiin, varmistaen, että sen havainnot ovat aina merkityksellisiä.

AI: n integrointi muistikirjatyökaluihin luo ainutlaatuisen palautusilmeen. Se arvioi aktiivisesti koodin tuloksia, mikä tekee siitä taitavan itsekorjaantuvan ja varmistaen, että tulokset ovat aina yhdenmukaisia asetettujen tavoitteiden kanssa.

Deepnote AI erottuu avoimista toimista, tarjoten selkeät näkymät prosesseihin. Koodin ja tulosten yhdistäminen varmistaa, että sen toimet ovat aina vastuullisia ja toistettavissa.

CAMEL

CAMEL on kehys, joka pyrkii edistämään yhteistyötä tekoälyagenttien välillä, tavoitteena tehokas tehtävien suorittaminen vähäisellä ihmisen valvonnalla.

https://github.com/camel-ai/camel

Se jakaa toimintansa kahteen pääasialliseen agenttityyppiin:

• AI-käyttäjäagentti määrittää ohjeet.
• AI-avustaja-agentti suorittaa tehtäviä annettujen ohjeiden perusteella.

Yksi CAMEL: n tavoitteista on avata tekoälyajattelun monimutkaisuudet, pyrkien optimoimaan synergioita useiden agenttien välillä. Ominaisuuksilla, kuten roolipelaaminen ja inception-ohjaus, se varmistaa, että tekoälytehtävät ovat täysin linjassa ihmisten tavoitteiden kanssa.

Westworld-simulaatio: Elämä tekoälyyn

Peräisin inspiraatioista, kuten Unity-ohjelmistosta, ja sovellettu Pythoniin, Westworld-simulaatio on askel simuloimaan ja optimoimaan ympäristöjä, joissa useat tekoälyagentit vuorovaikuttavat, melkein kuin digitaalinen yhteiskunta.

Generatiiviset agentit

Nämä agentit eivät ole pelkästään digitaalisia olentoja. Ne simuloivat uskottavia ihmismäisiä käyttäytymisiä, päivittäisistä rutiineista monimutkaisiin sosiaalisiin vuorovaikutuksiin. Niiden arkkitehtuuri laajentaa suuren kielen mallin tallentamaan kokemuksia, heijastamaan niihin ja käyttämään niitä dynaamiseen käyttäytymissuunnitteluun.

Westworld-simulaatio edustaa harmonista yhdistymistä laskennallisen voiman ja ihmismäisten hienouksien kanssa. Yhdistämällä laajat kielen mallit dynaamisiin agenttisimulointeihin, se piirtää tien kohti tekoälykokemuksia, jotka ovat hämmästyttävästi erottuvia todellisuudesta.

Johtopäätös

Tekoälyagentit voivat olla erittäin monipuolisia ja ne muokkaavat teollisuutta, muuttavat työnkulkua ja mahdollistavat saavutukset, jotka aiemmin vaikuttivat mahdottomilta.

Mutta kuten kaikki mullistavat innovaatiot, ne eivät ole ilman virheitä. Vaikka ne voivat muokata digitaalista olemassaoloamme, ne kamppailevat edelleen tiettyjen haasteiden, jotka ovat olennaisesti inhimillisiä, kuten ymmärtäminen kontekstia hienostuneissa tilanteissa tai ratkaiseminen ongelmia, jotka sijaitsevat ulkopuolella heidän koulutusaineistojaan.

Seuraavassa artikkelissa tutkimme syvemmälle Auto-GPT: hen ja GPT-insinöörin, tarkastellen, miten asettaa ne käyttöön ja miten käyttää niitä. Lisäksi tutkimme syitä, miksi nämä tekoälyagentit joskus epäonnistuvat, kuten jääminen silmukkaan, muun muassa. Joten pysy kuulolla!