Het pad van RPA naar autonome agenten

Een financieel misdaadonderzoeker die ooit grote hoeveelheden verdachte activiteitsmeldingen ontving die omslachtig onderzoekswerk vereisten door handmatig gegevens te verzamelen in systemen om valse positieven eruit te filteren en Suspicious Activity Reports (SAR's) op te stellen voor de anderen. Tegenwoordig ontvangt ze geprioriteerde meldingen met geautomatiseerd onderzoek en voorgestelde content die binnen enkele minuten SAR's kan genereren.

Een retail category planner die voorheen urenlange analyses deed van rapporten van de afgelopen weken om te proberen inzicht te krijgen in welke producten ondermaats presteren en waarom, gebruikt nu AI om diepgaande inzichten te bieden die probleemgebieden aan het licht brengen en corrigerende maatregelen voorstellen, geprioriteerd voor maximale impact op het bedrijf. Een industrieel onderhoudstechnicus gebruikt een copiloot die 24/7 de gezondheid van activa bewaakt en problemen voorspelt en waarschuwingen genereert in de vroege stadia van mechanische of prestatieproblemen, waardoor ongeplande downtime wordt verminderd.

Deze transformaties vinden vandaag de dag in alle ondernemingen plaats en duiden op een fundamentele verschuiving: verticale toepassingen die voorspellende, generatieve en opkomende agentische AI ​​combineren, versterken en transformeren de automatisering van workflows en bieden gerichte, geavanceerde mogelijkheden die veel complexere en contextuelere uitdagingen aanpakken dan eerdere oplossingen.

Gartner 2024 Hype Cycle voor opkomende technologieën Autonome AI werd door de onderzoekers aangemerkt als een van de vier belangrijkste opkomende technologische trends van het jaar – en terecht. Met niet-AI-agenten moesten gebruikers hun eigen keuzes maken. wat ze moesten automatiseren en hoe om het tot in detail te doen. Maar toepassingen die voorspellende, generatieve en binnenkort agentische AI ​​combineren met gespecialiseerde verticale kennisbronnen en workflows kunnen informatie uit verschillende bronnen in de hele onderneming halen, repetitieve taken versnellen en automatiseren en aanbevelingen doen voor acties met een grote impact. Ondernemingen die deze toepassingen gebruiken, realiseren snellere en nauwkeurigere besluitvorming, snelle probleemidentificatie en -oplossing en zelfs preventieve maatregelen om te voorkomen dat problemen zich überhaupt voordoen.

AI-agenten vertegenwoordigen de volgende golf in enterprise AI. Ze bouwen voort op de fundamenten van voorspellende en generatieve AI, maar maken een grote sprong voorwaarts in termen van autonomie en aanpassingsvermogen. AI-agenten zijn niet alleen hulpmiddelen voor analyse of contentgeneratie, ze zijn intelligente systemen die in staat zijn tot onafhankelijke besluitvorming, probleemoplossing en continu leren. Deze progressie markeert een verschuiving van AI als ondersteuningstool naar AI als actieve deelnemer aan bedrijfsprocessen, die in staat is om acties te initiëren en strategieën in realtime aan te passen.

De evolutie van RPA naar autonome agenten

Traditioneel werd RPA gebruikt voor repetitieve, op heuristiek gebaseerde processen en taken met een lage complexiteit met gestructureerde data-invoer. RPA gebruikt gestructureerde invoer en gedefinieerde logica om zeer repetitieve processen te automatiseren, zoals gegevensinvoer, het overbrengen van bestanden en het invullen van formulieren. De brede beschikbaarheid van betaalbare, zeer effectieve voorspellende en generatieve AI heeft het volgende niveau van complexere bedrijfsproblemen aangepakt, waarvoor gespecialiseerde domeinexpertise, beveiliging van enterprise-klasse en het vermogen om diverse databronnen te integreren, vereist zijn.

Op het volgende niveau gaan AI-agenten verder dan voorspellende AI-algoritmen en software met hun vermogen om autonoom te werken, zich aan te passen aan veranderende omgevingen en beslissingen te nemen op basis van zowel voorgeprogrammeerde regels als aangeleerd gedrag. Terwijl traditionele AI-tools uitblinken in specifieke taken of data-analyse, kunnen AI-agenten meerdere mogelijkheden integreren om door complexe, dynamische omgevingen te navigeren en veelzijdige problemen op te lossen. AI-agenten kunnen organisaties helpen effectiever en productiever te zijn en de klant- en werknemerservaring te verbeteren, terwijl ze tegelijkertijd de kosten verlagen.

Wanneer AI-agenten worden gebouwd met de juiste AI-modellen als hulpmiddelen en met verticale gegevensbronnen en machine learning ter ondersteuning van gespecialiseerde contextuele activiteiten, worden ze zeer productieve werkpaarden als het gaat om het ontcijferen van het probleem, het nemen van de juiste stappen, het herstellen van fouten en het in de loop van de tijd verbeteren van de gegeven taken.

Navigeren door implementatie: belangrijke aspecten waar ondernemingen rekening mee moeten houden

Het implementeren van voorspellende, generatieve en uiteindelijk agentische AI ​​in een bedrijfsomgeving kan zeer nuttig zijn, maar het nemen van de juiste stappen vóór de implementatie om succes te garanderen, is cruciaal. Hier zijn enkele van de belangrijkste overwegingen voor ondernemingen wanneer ze AI-agents overwegen en beginnen uit te rollen.

• Afstemming op bedrijfsdoelstellingen: Om de adoptie van enterprise AI succesvol te laten zijn, moet het specifieke use cases in specifieke branches aanpakken en een hogere productiviteit en nauwkeurigheid opleveren. Betrek zakelijke stakeholders regelmatig bij het AI-beoordelings-/selectieproces om afstemming te garanderen en een duidelijke ROI te bieden. De producten moeten worden aangepast aan processen en workflows die meetbaar de resultaten voor de gedefinieerde use cases en verticale domeinen verbeteren.
• Gegevenskwaliteit, kwantiteit en integratie: Omdat AI-modellen grote hoeveelheden hoogwaardige data nodig hebben om effectief te presteren, moeten ondernemingen robuuste dataverzamelings- en verwerkingspijplijnen implementeren om ervoor te zorgen dat de AI actuele, nauwkeurige en relevante data ontvangt. Het cureren van databronnen vermindert het risico op hallucinaties aanzienlijk en stelt de AI in staat om de optimale analyses, aanbevelingen en beslissingen te maken.
• Veiligheid en privacy: Het verwerken van gevoelige gegevens in AI-modellen brengt privacyrisico's en mogelijke beveiligingskwetsbaarheden met zich mee. Zorgvuldige overweging over welke gegevens nodig zijn om de AI zijn werk te laten doen, en het niet verstrekken van gegevens die niet direct relevant zouden zijn, kan helpen om de blootstelling te minimaliseren. Toepassingen moeten ook rolgebaseerde en gebruikersgebaseerde toegangscontrole bieden met authenticatiebeveiligingen die zijn ingebouwd in de gegevens- en API-lagen en bevestigen dat gegevens SLM's of LLM's niet bereiken zonder verificatie en bescherming.
• Infrastructuur en schaalbaarheid: Het uitvoeren van grote AI-modellen vereist aanzienlijke rekenkracht en schaalbaarheid kan ook een probleem zijn. Een goed ontwerp voorkomt overmatig resourceverbruik: een gespecialiseerde SLM kan bijvoorbeeld net zo effectief zijn als een meer algemene LLM en de rekenkracht en latentie aanzienlijk verminderen.
• Modelinterpretatie en verklaarbaarheid: Veel AI-modellen, met name deep learning-modellen, worden vaak gezien als 'black boxes'. Goede enterprise AI-producten bleken volledig transparant, inclusief welke bronnen de modellen benaderden en wanneer, en waarom elke aanbeveling werd gedaan. Deze context is cruciaal om gebruikersvertrouwen te creëren en acceptatie te stimuleren.

Mogelijke nadelen van AI-agenten

Zoals bij elke nieuwe technologie hebben AI-agenten een paar potentiële nadelen. De beste AI-agenttoepassingen vertrouwen op menselijke-in-de-lus-processen—inclusief alle SymphonyAI agentische AI-applicaties en -mogelijkheden. Deze aanpak maakt menselijk toezicht, interventie en samenwerking mogelijk, waardoor wordt verzekerd dat de acties van de agent aansluiten bij bedrijfsdoelen en ethische overwegingen. Human-in-the-loop-systemen kunnen realtime feedback geven, kritieke beslissingen goedkeuren of ingrijpen wanneer de AI onbekende situaties tegenkomt, waardoor een krachtige samenwerking ontstaat tussen kunstmatige en menselijke intelligentie.

Responsible AI levert ook een sterke gebruikersinterface, traceerbaarheid en de mogelijkheid om de stappen te controleren waarom de agent een uitvoeringspad heeft gekozen. We houden ons aan de principes van Responsible AI: verantwoording, transparantie, beveiliging, betrouwbaarheid/veiligheid en privacy.

Het pad naar volledig autonome agenten

Het is moeilijk te voorspellen hoe realistisch het volledig autonome agentscenario is, omdat we geen sectorbrede maatstaf hebben vastgesteld voor het niveau van autonomie. Zo is het gebied van autonoom rijden vastgesteld met betrekking tot Niveaus 1-5 van zelfrijdende vaardigheidwaarbij nul staat voor geen enkel niveau van automatisering, waarbij de bestuurder alle rijtaken zelf uitvoert, en niveau vijf staat voor volledige automatisering, waarbij het voertuig alle rijtaken zelf uitvoert.

We zijn al een heel eind op weg in wat ik zie als de derde fase van het pad naar ondernemingswaarde met AI, waarbij gecombineerde generatieve en voorspellende AI-toepassingen geavanceerde aanbevelingen doen en vloeiende what-if-analyses ondersteunen. Bij SymphonyAI zien we de volgende fase evolueren naar autonome AI-agenten, die samenwerken met voorspellende en generatieve AI om onderzoeken naar financiële fraude te versnellen, retailcategoriebeheer en vraagvoorspelling te versnellen en fabrikanten in staat te stellen machinestoringen te voorspellen en te voorkomen.\

We verbeteren momenteel de complexiteit en autonomie van AI-agenten binnen onze applicaties en de feedback van klanten is erg positief. Predictive en generatieve AI zijn gevorderd tot een niveau waarop ze workflows kunnen automatiseren die ooit te complex werden geacht voor traditionele software. Autonome, of agentische, AI excelleert in het afhandelen van deze taken zonder toezicht, wat leidt tot transformatieve productiviteitswinsten en waardoor human resources zich kunnen richten op meer strategische activiteiten.

Een multinationale Europese bank die SymphonyAI Sensa Investigation Hub met AI-agenten en een copiloot gebruikt, heeft bijvoorbeeld financiële misdaadonderzoekers geholpen tijd te besparen op hun onderzoeken en tegelijkertijd de kwaliteit van het onderzoek te verbeteren. Binnen enkele weken zag de bank een gemiddelde besparing van ongeveer 20% in Level 1- en Level 2-onderzoeken. De bank voorspelt ook kostenbesparingen met SymphonyAI op Microsoft Azure van € 3.5 miljoen per jaar, inclusief een daling van 80% in de uitgaven bij een toonaangevende technologieprovider van € 1.5 miljoen per jaar naar € 300 per jaar.

Met een doordacht, enterprise-class ontwerp met behulp van verantwoorde AI-principes leveren AI-agents transformatieve productiviteit, nauwkeurigheid en excellentie voor een groeiende verscheidenheid aan bewezen use cases. Bij SymphonyAI is het onze missie om ondernemingen te voorzien van AI-agents die operationele excellentie leveren. Door snelle responsiviteit te combineren met strategisch denken op de lange termijn, is agentische AI ​​klaar om kritieke processen in meerdere sectoren te revolutioneren.