Beyond ChatGPT; AI Agent: Een Nieuwe Wereld van Werknemers

Met de vooruitgang in diepe leerprocessen, natuurlijke taalverwerking (NLP) en AI, bevinden we ons in een tijdperk waarin AI-agents een aanzienlijk deel van de wereldwijde werkgelegenheid kunnen vormen. Deze AI-agents, die verder gaan dan chatbots en spraakassistenten, vormen een nieuw paradigma voor zowel industrieën als ons dagelijks leven. Maar wat betekent het eigenlijk om te leven in een wereld die verrijkt is met deze “werknemers”? Dit artikel duikt diep in dit evoluerende landschap, waarin de implicaties, het potentieel en de uitdagingen die in het verschiet liggen, worden beoordeeld.

Een Korte Terugblik: De Evolutie van AI-Werknemers

Voordat we de aanstaande revolutie begrijpen, is het cruciaal om de AI-gedreven evolutie te erkennen die al heeft plaatsgevonden.

• Traditionele Computersystemen: Vanuit basisalgoritmes begon de reis. Deze systemen konden vooraf gedefinieerde taken uitvoeren met een vaste set regels.
• Chatbots & Vroege Spraakassistenten: Naarmate de technologie evolueerde, veranderden ook onze interfaces. Tools zoals Siri, Cortana en vroege chatbots vereenvoudigden de interactie tussen gebruiker en AI, maar hadden beperkte begrip en capaciteit.
• Neurale Netwerken & Diepe Leerprocessen: Neurale netwerken markeerden een keerpunt, waarbij ze de functies van de menselijke hersenen imiteerden en evolueerden door ervaring. Diepe leerprocessen versterkten dit nog verder, waardoor geavanceerde beeld- en spraakherkenning mogelijk werd.
• Transformers en Geavanceerde NLP-Modellen: De introductie van transformerarchitecturen revolutioneerde het NLP-landschap. Systemen zoals ChatGPT van OpenAI, BERT en T5 hebben doorbraken mogelijk gemaakt in de communicatie tussen mens en AI. Met hun diepe greep op taal en context kunnen deze modellen zinvolle gesprekken voeren, inhoud creëren en complexe vragen met ongekende nauwkeurigheid beantwoorden.

De Introductie van de AI-Agent: Meer dan Alleen een Gesprek

Het huidige AI-landschap wijst op iets dat verder gaat dan conversatietools. AI-agents, verdergaand dan alleen chatfuncties, kunnen nu taken uitvoeren, leren van hun omgeving, beslissingen nemen en zelfs creativiteit tonen. Ze beantwoorden niet alleen vragen; ze lossen problemen op.

Traditionele softwaremodellen werkten op een duidelijke weg. Stakeholders uitten een doel aan softwaremanagers, die vervolgens een specifiek plan ontwierpen. Ingenieurs zouden dit plan uitvoeren via code. Dit ‘legacy-paradigma’ van softwarefunctionaliteit was duidelijk, met talrijke menselijke interventies.

AI-agents werken echter anders. Een agent:

1. Heeft doelen die hij probeert te bereiken.
2. Kan interacteren met zijn omgeving.
3. Formuleert een plan op basis van deze observaties om zijn doel te bereiken.
4. Neemt noodzakelijke acties, aanpassend zijn aanpak op basis van de veranderende staat van de omgeving.

Wat AI-agents werkelijk onderscheidt van traditionele modellen, is hun vermogen om autonoom een stap-voor-stapplan te creëren om een doel te verwezenlijken. In wezen, terwijl eerder de programmeur het plan verschafte, creëren AI-agents van vandaag hun eigen koers.

Neem een alledaags voorbeeld. In traditioneel softwareontwerp zou een programma gebruikers informeren over verlate taken op basis van vooraf bepaalde voorwaarden. Ontwikkelaars zouden deze voorwaarden instellen op basis van specificaties verstrekt door de productmanager.

In het AI-agentparadigma bepaalt de agent zelf wanneer en hoe hij de gebruiker moet informeren. Het meet de omgeving (gebruikersgewoonten, toepassingsstatus) en beslist over de beste koers. Het proces wordt zo dynamischer, meer in het moment.

ChatGPT markeerde een afwijking van zijn traditionele gebruik met de integratie van plugins, waardoor het externe tools kon benutten om meerdere verzoeken uit te voeren. Het werd een vroege manifestatie van het agentconcept. Als we een eenvoudig voorbeeld overwegen: een gebruiker die naar het weer in New York City vraagt, kan ChatGPT, met plugins, interacteren met een externe weeralarm-API, gegevens interpreteren en zelfs bijsturen op basis van de ontvangen antwoorden.

Huidig Landschap van AI-Agents

AI-agents, waaronder Auto-GPT, AgentGPT en BabyAGI, kondigen een nieuwe era aan in het uitgebreide AI-universum. Terwijl ChatGPT Generatieve AI populair maakte door menselijke invoer te vereisen, is de visie achter AI-agents om AIs te laten functioneren zonder menselijke tussenkomst, met weinig tot geen menselijke inmenging. Dit transformatieve potentieel is onderstreept door de meteoritische stijging van Auto-GPT, met meer dan 107.000 sterren op GitHub binnen slechts zes weken na zijn lancering, een ongekend groeitempo in vergelijking met gevestigde projecten zoals het datawetenschapspackage ‘pandas’.

AI-Agents vs. ChatGPT

Veel geavanceerde AI-agents, zoals Auto-GPT en BabyAGI, gebruiken de GPT-architectuur. Hun primaire focus ligt op het minimaliseren van de noodzaak voor menselijke interventie bij het voltooien van AI-taken. Beschrijvende termen zoals “GPT in een lus” karakteriseren de werking van modellen zoals AgentGPT en BabyAGI. Ze werken in iteratieve cycli om beter te begrijpen wat de gebruiker vraagt en hun uitvoer te verfijnen. Ondertussen duwt Auto-GPT de grenzen verder door internettoegang en code-uitvoeringsmogelijkheden te integreren, waardoor zijn probleemoplossend bereik aanzienlijk wordt uitgebreid.

Innovaties in AI-Agents

1. Langdurig Geheugen: Traditionele LLMs hebben een beperkt geheugen, waarin alleen recente segmenten van interacties worden bewaard. Voor omvattende taken is het herinneren van het hele gesprek of zelfs eerdere gesprekken van cruciaal belang. Om deze beperking te overwinnen, hebben AI-agents embedding-workflows geadopteerd, waarbij tekstuele conversaties worden omgezet in numerieke arrays, een oplossing biedend voor geheugenbeperkingen.
2. Webbladermogelijkheden: Om up-to-date te blijven met recente gebeurtenissen, is Auto-GPT uitgerust met bladermogelijkheden, gebruikmakend van de Google Search API. Dit heeft debatten binnen de AI-gemeenschap aangewakkerd over de omvang van de kennis van een AI.
3. Code Uitvoeren: Verdergaand dan het genereren van code, kan Auto-GPT zowel shell- als Python-code uitvoeren. Deze ongekende mogelijkheid stelt het in staat om te interacteren met andere software, waardoor zijn operationele domein wordt uitgebreid.

De diagram visualiseert de architectuur van een AI-systeem aangedreven door een Large Language Model en Agents.

• Inputs: Het systeem ontvangt gegevens van diverse bronnen: directe gebruikersopdrachten, gestructureerde databases, webinhoud en real-time omgevingsensoren.
• LLM & Agents: In het hart verwerkt de LLM deze inputs, samenwerkend met gespecialiseerde agents zoals Auto-GPT voor thought chaining, AgentGPT voor web-specifieke taken, BabyAGI voor taak-specifieke acties en HuggingGPT voor teamgebaseerde verwerking.
• Outputs: Zodra verwerkt, wordt de informatie omgezet in een gebruikersvriendelijk formaat en vervolgens doorgestuurd naar apparaten die de externe omgeving kunnen beïnvloeden of erop kunnen reageren.
• Geheugencomponenten: Het systeem bewaart informatie, zowel tijdelijk als permanent, via kortetermijncaches en langetermijndatabases.
• Omgeving: Dit is de externe wereld, die de sensoren beïnvloedt en wordt beïnvloed door de acties van het systeem.

Geavanceerde AI-Agents: Auto-GPT, BabyAGI en meer

AutoGPT en AgentGPT

AutoGPT, een meesterbrein gelanceerd op GitHub in maart 2023, is een geniaal Python-gebaseerd programma dat de kracht van GPT, OpenAI’s transformatieve generatieve model, benut. Wat Auto-GPT onderscheidt van zijn voorgangers, is zijn autonomie – het is ontworpen om taken uit te voeren met minimale menselijke leiding en heeft het unieke vermogen om zelf prompts te initiëren. Gebruikers hoeven alleen een overkoepelend doel te definiëren, en Auto-GPT creëert de benodigde prompts om dat doel te bereiken, waardoor het een potentieel revolutionaire stap naar echte artificiële algemene intelligentie (AGI) is.

Met functies die variëren van internetconnectiviteit, geheugenbeheer en bestandsopslag met GPT-3.5, is dit instrument zeer geschikt voor het afhandelen van een breed spectrum aan taken, van conventionele taken zoals e-mailcompositie tot ingewikkelde taken die normaal gesproken veel meer menselijke betrokkenheid zouden vereisen.

Aan de andere kant is AgentGPT, ook gebouwd op het GPT-kader, een gebruikersgerichte interface die geen uitgebreide coderingskennis vereist om in te stellen en te gebruiken. AgentGPT laat gebruikers toe om AI-doelen te definiëren, die het vervolgens in beheersbare taken ontleedt.

AgentGPT UI

Bovendien onderscheidt AgentGPT zich door zijn veelzijdigheid. Het is niet beperkt tot het creëren van chatbots. Het platform breidt zijn mogelijkheden uit naar het creëren van diverse toepassingen zoals Discord-bots en integreert zelfs naadloos met Auto-GPT. Deze aanpak zorgt ervoor dat zelfs diegenen zonder een uitgebreide coderingsachtergrond taken kunnen uitvoeren zoals volledig autonome codering, tekstgeneratie, taalvertaling en probleemoplossing.

LangChain is een kader dat Large Language Models (LLM’s) met diverse tools verbindt en agents gebruikt, vaak waargenomen als ‘Bots’, om specifieke taken te bepalen en uit te voeren door de juiste tool te kiezen. Deze agents integreren naadloos met externe bronnen, terwijl een vectordatabase in LangChain ongestructureerde gegevens opslaat, waardoor snelle informatie-opname voor LLM’s wordt gefaciliteerd.

BabyAGI

Dan is er BabyAGI, een vereenvoudigd maar krachtig agent. Om de mogelijkheden van BabyAGI te begrijpen, stel je je een digitale projectmanager voor die autonoom taken creëert, organiseert en uitvoert met een scherpe focus op gegeven doelen. Terwijl de meeste AI-gedreven platforms worden begrensd door hun vooraf getrainde kennis, onderscheidt BabyAGI zich door zijn vermogen om aan te passen en te leren van ervaringen. Het heeft een diepe capaciteit om feedback te onderscheiden en, net als mensen, beslissingen te nemen op basis van trial and error.

Notabel is de onderliggende kracht van BabyAGI niet alleen zijn aanpasbaarheid, maar ook zijn vaardigheid in het uitvoeren van code voor specifieke doelen. Het blinkt uit in complexe domeinen, zoals cryptocurrency-handel, robotica en autonome besturing, waardoor het een veelzijdig instrument is in een veelheid van toepassingen.

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

Het proces kan worden onderverdeeld in drie agents:

1. Uitvoeringsagent: Het hart van het systeem, deze agent benut OpenAI’s API voor taakverwerking. Gegeven een doel en een taak, stuurt het een prompt naar OpenAI’s API en haalt het taakresultaten op.
2. Taakcreatieagent: Deze functie creëert nieuwe taken op basis van eerdere resultaten en huidige doelen. Een prompt wordt naar OpenAI’s API gestuurd, die vervolgens potentiële taken terugstuurt, georganiseerd als een lijst van dictionaries.
3. Taakprioriteringsagent: De laatste fase omvat het ordenen van taken op basis van prioriteit. Deze agent gebruikt OpenAI’s API om taken te herordenen, zodat de meest kritieke taken als eerste worden uitgevoerd.

In samenwerking met OpenAI’s taalmodel, benut BabyAGI de capaciteiten van Pinecone voor context-georiënteerde taakresultaatopslag en -opname.

Onderaan vindt u een demonstratie van BabyAGI met deze link.

Om te beginnen, hebt u een geldige OpenAPI-sleutel nodig. Voor gemakkelijke toegang heeft de UI een instellingssectie waar de OpenAPI-sleutel kan worden ingevoerd. Bovendien, als u de kosten wilt beperken, moet u een limiet instellen voor het aantal iteraties.

Zodra ik de toepassing had geconfigureerd, deed ik een klein experiment. Ik plaatste een prompt bij BabyAGI: “Creëer een concies tweetdraad over de reis van persoonlijke groei, waarin mijlpalen, uitdagingen en de transformatieve kracht van voortdurend leren worden aangestipt.”

BabyAGI reageerde met een weloverwogen plan. Het was niet zomaar een generieke sjabloon, maar een omvattend roadmap dat aangaf dat de onderliggende AI de nuances van het verzoek werkelijk had begrepen.

Deepnote AI Copilot

Deepnote AI Copilot verandert de dynamiek van in notebooks. Maar wat maakt het uniek?

In zijn kern is Deepnote AI gericht op het versterken van de workflow van datawetenschappers. Op het moment dat u een basale instructie verstrekt, springt de AI in actie, strategieën ontwikkelend, SQL-queries uitvoerend, data visualiserend met Python en zijn bevindingen presenterend op een welbespraakte manier.

Een van de sterke punten van Deepnote AI is zijn diepe greep op uw werkruimte. Door integratieschema’s en bestandssystemen te begrijpen, stemt het zijn uitvoerplannen perfect af op de organisatorische context, waardoor zijn inzichten altijd relevant zijn.

De integratie van de AI met notebookmedia creëert een unieke feedbacklus. Het beoordeelt actief code-uitvoer, waardoor het bekwaam is in zelfcorrectie en ervoor zorgt dat resultaten consistent zijn met de ingestelde doelen.

Deepnote AI onderscheidt zich door zijn transparante operaties, waarbij het duidelijke inzichten biedt in zijn processen. De verweving van code en uitvoer zorgt ervoor dat zijn acties altijd verantwoordelijk en reproduceerbaar zijn.

CAMEL

CAMEL is een kader dat samenwerking tussen AI-agents bevordert, met als doel efficiënte taakvoltooiing met minimale menselijke toezicht.

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

Het deelt zijn operaties in twee hoofdagenttypen:

• De AI-gebruikersagent legt instructies vast.
• De AI-assistentagent voert taken uit op basis van de verstrekte richtlijnen.

Een van de aspiraties van CAMEL is om de complexiteit van AI-gedachtenprocessen te ontrafelen, met als doel de synergiewinning tussen meerdere agents te optimaliseren. Met functies zoals role-playing en inception prompting, zorgt het ervoor dat AI-taken naadloos aansluiten bij menselijke doelen.

Westworld Simulatie: Leven in AI

Afgeleid van inspiraties zoals Unity-software en aangepast in Python, is de Westworld-simulatie een sprong in het simuleren en optimaliseren van omgevingen waarin meerdere AI-agents interacteren, bijna als een digitale samenleving.

Generatieve Agents

Deze agents zijn niet alleen digitale entiteiten. Ze simuleren geloofwaardig menselijk gedrag, van dagelijkse routines tot complexe sociale interacties. Hun architectuur breidt een groot taalmodel uit om ervaringen op te slaan, erover na te denken en ze te gebruiken voor dynamisch gedragsplanning.

Westworld-simulatie belichaamt de harmonieuze fusie van computationele kracht en menselijke complexiteit. Door grote taalmodellen te combineren met dynamische agentsimulaties, baant het een weg naar het creëren van AI-ervaringen die bijna niet van werkelijkheid te onderscheiden zijn.

Conclusie

AI-agents kunnen buitengewoon veelzijdig zijn en ze vormen industrieën, veranderen workflows en maken prestaties mogelijk die eerder onmogelijk leken. Maar zoals alle baanbrekende innovaties, zijn ze niet zonder hun imperfecties.

Terwijl ze de kracht hebben om de fundamenten van ons digitale bestaan te herschikken, worstelen deze agents nog steeds met bepaalde uitdagingen, sommige waarvan inherent menselijk zijn, zoals het begrijpen van context in genuanceerde scenario’s of het aanpakken van problemen die buiten hun getrainde datasets liggen.

In het volgende artikel zullen we dieper ingaan op AutoGPT en GPT Engineer, waarin we onderzoeken hoe we deze kunnen instellen en gebruiken. Bovendien zullen we de redenen onderzoeken waarom deze AI-agents soms falen, zoals het vastlopen in lussen, onder andere problemen. Dus blijf op de hoogte!