Voorbij ChatGPT; AI Agent: Een Nieuwe Wereld van Werkers

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 in een wereld te leven die verrijkt is met deze “werkers”? Dit artikel duikt diep in deze evoluerende landschap, waarbij de implicaties, het potentieel en de uitdagingen die in het verschiet liggen, worden beoordeeld.

Een Korte Terugblik: De Evolutie van AI-Werkers

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

• Traditionele Computersystemen: Vanuit basisalgoritmen 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 mogelijkheden.
• Neurale Netwerken & Diepe Leerprocessen: Neurale netwerken markeerden een keerpunt, door menselijke hersenfuncties na te bootsen en te evolueren door middel van ervaring. Diepe leerprocessen versterkten dit nog verder, waardoor geavanceerde beeld- en spraakherkenning mogelijk werd.
• Transformers en Geavanceerde NLP-Modellen: De introductie van transformer-architecturen 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 schrijven en complexe vragen beantwoorden met ongekende nauwkeurigheid.

De AI-Agent: Meer dan Alleen een Gesprek

De huidige AI-landschap wijst op iets meer uitgebreids dan conversatietools. AI-agents, verdergaand dan alleen conversiefuncties, kunnen nu taken uitvoeren, leren van hun omgeving, beslissingen nemen en zelfs creativiteit tentoonspreiden. Ze beantwoorden niet alleen vragen; ze lossen problemen op.

Traditionele softwaremodellen werkten op een duidelijke weg. Stakeholders gaven een doel aan softwaremanagers, die vervolgens een specifiek plan ontwierpen. Ingenieurs voerden dit plan uit door middel van code. Dit ‘legacy-paradigma’ van softwarefunctionaliteit was duidelijk, met een reeks menselijke interventies.

AI-agents werken echter anders. Een agent:

1. Heeft doelen die het 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, past zijn aanpak aan 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 bereiken. In wezen, terwijl eerder de programmeur het plan verschafte, creëert de AI-agent nu zijn eigen koers.

Overweeg een alledaags voorbeeld. In traditioneel software-ontwerp zou een programma gebruikers informeren over verlate taken op basis van vooraf gedefinieerde voorwaarden. De ontwikkelaars zouden deze voorwaarden op basis van specificaties van de productmanager instellen.

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 meer dynamisch, meer in het moment.

ChatGPT markeerde een afwijking van zijn traditionele gebruik met de integratie van plugins, waardoor het in staat was om externe tools te gebruiken 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 behulp van plugins, interacteren met een externe weeralarm-API, de gegevens interpreteren en zelfs koers corrigeren 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 in staat te stellen om onafhankelijk te functioneren, met weinig tot geen menselijke tussenkomst. Dit transformatieve potentieel is onderstreept door de meteoritische stijging van Auto-GPT, met meer dan 107.000 sterren op GitHub binnen zes weken na zijn lancering, een ongekend groeitempo in vergelijking met gevestigde projecten zoals het datapakket ‘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 tussenkomst 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 het opnemen van internettoegang en code-uitvoeringsmogelijkheden, waardoor zijn probleemoplossende bereik aanzienlijk wordt uitgebreid.

Innovaties in AI-Agents

1. Langdurig Geheugen: Traditionele LLMs hebben een beperkt geheugen, waarin alleen de 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 overgenomen, waarbij tekstuele conversaties worden omgezet in numerieke arrays, een oplossing biedend voor geheugensbeperkingen.
2. Web-browsen: Om up-to-date te blijven met recente gebeurtenissen, is Auto-GPT uitgerust met browsmogelijkheden, gebruikmakend van de Google Search API. Dit heeft discussies binnen de AI-gemeenschap teweeggebracht over de omvang van de kennis van een AI.
3. Code Uitvoeren: Bovenop code genereren kan Auto-GPT zowel shell- als Python-code uitvoeren. Deze ongekende mogelijkheid stelt het in staat om te communiceren met andere software, waardoor zijn operationele domein wordt uitgebreid.

Het 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 van het systeem 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 team-gebaseerde verwerking.
• Outputs: Eenmaal verwerkt, wordt de informatie omgezet in een gebruikersvriendelijk formaat en vervolgens doorgestuurd naar apparaten die de externe omgeving kunnen beïnvloeden.
• Geheugencomponenten: Het systeem bewaart informatie, zowel tijdelijk als permanent, door middel van kortetermijnbuffers 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 brainchild dat in maart 2023 op GitHub is uitgebracht, is een geniaal Python-gebaseerd programma dat de kracht van GPT, OpenAI’s transformatieve generatieve model, benut. Wat AutoGPT onderscheidt van zijn voorgangers is zijn autonomie – het is ontworpen om taken uit te voeren met minimale menselijke leiding en heeft de unieke mogelijkheid om zelf prompts te initiëren. Gebruikers hoeven alleen een overkoepelend doel te definiëren, en AutoGPT creëert de benodigde prompts om dat doel te bereiken, waardoor het een potentieel revolutionaire stap naar echte kunstmatige algehele intelligentie (AGI) is.

Met functies die variëren van internetconnectiviteit, geheugenbeheer en bestandsopslagmogelijkheden met GPT-3.5, is dit instrument zeer geschikt voor het afhandelen van een breed spectrum van 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 programmeerkennis vereist om in te stellen en te gebruiken. AgentGPT stelt gebruikers in staat om AI-doelen te definiëren, die het vervolgens in beheersbare taken opsplitst.

AgentGPT UI

Verder onderscheidt AgentGPT zich door zijn veelzijdigheid. Het is niet beperkt tot het creëren van chatbots. Het platform breidt zijn mogelijkheden uit tot diverse toepassingen zoals Discord-bots en integreert naadloos met Auto-GPT. Deze aanpak zorgt ervoor dat zelfs mensen zonder uitgebreide programmeerkennis 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 beschouwd 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 vector-database in LangChain ongestructureerde gegevens opslaat, waardoor snelle gegevensopname voor LLM’s mogelijk wordt.

BabyAGI

Dan is er BabyAGI, een vereenvoudigd maar krachtig agent. Om de mogelijkheden van BabyAGI te begrijpen, stel je een digitaal projectmanager voor die taken autonoom 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 en 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 rijden, waardoor het een veelzijdig instrument is in een verscheidenheid aan 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, verzoekt het OpenAI’s API en haalt 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 teruggeeft, georganiseerd als een lijst met dictionaries.
3. Taakprioriteringsagent: De laatste fase omvat het ordenen van taken op basis van prioriteit. Deze agent gebruikt OpenAI’s API om taken opnieuw te ordenen, zodat de meest kritieke taken als eerste worden uitgevoerd.

In samenwerking met OpenAI’s taalmodel benut BabyAGI de mogelijkheden van Pinecone voor context-georiënteerde taakresultatenopslag en -opname.

Hieronder volgt 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, vergeet dan niet om een limiet in te stellen voor het aantal iteraties.

Zodra ik de toepassing had geconfigureerd, deed ik een kleine experiment. Ik plaatste een prompt bij BabyAGI: “Creëer een bondig tweet-thread over de reis van persoonlijke groei, waarin mijlpalen, uitdagingen en de transformatieve kracht van voortdurend leren worden aangeroerd.”

BabyAGI reageerde met een goed doordacht plan. Het was niet alleen een generieke sjabloon, maar een omvattende roadmap die aangaf dat de onderliggende AI de nuances van het verzoek werkelijk had begrepen.

Deepnote AI Copilot

Deepnote AI Copilot verandert de dynamiek van gegevensverkenning in notitieboeken. Maar wat onderscheidt het?

In zijn kern is Deepnote AI bedoeld om het werkproces van datawetenschappers te versterken. Zodra u een basale instructie verstrekt, springt de AI in actie, strategieën ontwikkelend, SQL-queries uitvoerend, gegevens 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, past het zijn uitvoeringsplannen perfect aan aan de organisatorische context, waardoor zijn inzichten altijd relevant zijn.

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 tussenkomst.

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

Het deelt zijn operaties in twee hoofdtypen agents:

• 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 synergies tussen meerdere agents te optimaliseren. Met functies zoals rolspel 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 stap 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.

Westworlds interactieve zandbakomgeving, herinnerend aan The Sims, brengt een stad tot leven die wordt bevolkt door generatieve agents. Hier kunnen gebruikers interacteren, observeren en deze agents door hun dag heen leiden, waarbij emergente gedragingen en complexe sociale dynamiek worden waargenomen.

Westworld-simulatie belichaamt de harmonieuze fusie van computationele kracht en menselijke nuances. Door het combineren van uitgebreide taalmodellen met dynamische agentsimulaties, baant het een weg naar het creëren van AI-ervaringen die nauwelijks van de realiteit te onderscheiden zijn.

Conclusie