De evolutie van RPA naar autonome agenten

Een financieel misdrijf onderzoeker die vroeger grote volumes van verdachte activiteit alerts ontving die tedere onderzoekswerk vereisten om handmatig gegevens over systemen te verzamelen om valse positieven te verwijderen en Suspicious Activity Reports (SAR’s) op te stellen voor de anderen. Vandaag ontvangt ze geprioriteerde alerts met geautomatiseerd onderzoek en voorgestelde inhoud die SAR’s in enkele minuten kan genereren.

Een retail categorieplanner die eerder urenlang analyses van rapporten van voorgaande weken deed om inzichten te ontdekken over welke producten onderpresteren en waarom, gebruikt nu AI om diepe inzichten te bieden die probleemgebieden naar boven brengen en corrigerende acties voorstellen, geprioriteerd voor maximale bedrijfsimpact. Een industriële onderhoudsingenieur gebruikt een copilot die 24/7 assetgezondheidsmonitoring uitvoert en problemen voorspelt en waarschuwingen genereert in de vroege stadia van mechanische of prestatieproblemen, waardoor ongeplande downtime wordt verminderd.

Deze transformaties vinden nu plaats in ondernemingen, wat een fundamentele verschuiving aangeeft: verticale toepassingen die voorspellende, generatieve en opkomende agente AI combineren, versterken en transformeren workflowautomatisering, gerichte, geavanceerde mogelijkheden bieden die complexere en contextuele uitdagingen aanpakken dan eerdere oplossingen.

Gartners 2024 Hype Cycle voor opkomende technologieën benadrukte autonome AI als een van de vier belangrijkste opkomende technologieën van het jaar – en met goede reden. Met niet-AI-agenten moesten gebruikers definiëren wat ze moesten automatiseren en hoe ze het moesten doen in grote details. Maar toepassingen die voorspellende, generatieve en spoedig agente AI combineren met gespecialiseerde verticale kennisbronnen en workflows, kunnen informatie uit uiteenlopende bronnen binnen het bedrijf verzamelen, herhaalde taken versnellen en automatiseren, en aanbevelingen doen voor hoge-impactacties. Ondernemingen die deze toepassingen gebruiken, realiseren snellere en nauwkeurigere besluitvorming, snelle probleemidentificatie en -oplossing, en zelfs preventieve maatregelen om problemen te voorkomen.

AI-agenten vertegenwoordigen de volgende golf in ondernemings-AI. Ze bouwen voort op de fundamenten van voorspellende en generatieve AI, maar maken een significante stap voorwaarts in termen van autonomie en aanpasbaarheid. AI-agenten zijn niet alleen tools voor analyse of inhoudsgeneratie – ze zijn intelligente systemen die in staat zijn tot onafhankelijke besluitvorming, probleemoplossing en continue leren. Deze vooruitgang markeert een verschuiving van AI als ondersteunend hulpmiddel naar AI als actief deelnemer in bedrijfsprocessen, in staat om acties te initiëren en strategieën in real-time aan te passen.

De evolutie van RPA naar autonome agenten

Traditioneel werd RPA gebruikt voor herhaalde, heuristiek-gebaseerde processen en lage-complexiteitstaken met gestructureerde gegevensinvoer. RPA gebruikt gestructureerde invoer en gedefinieerde logica om herhaalde processen zoals gegevensinvoer, bestandsoverdracht en formulieren te automatiseren. De brede beschikbaarheid van betaalbare, effectieve voorspellende en generatieve AI heeft het volgende niveau van complexere bedrijfsproblemen aangepakt dat gespecialiseerde domeinexpertise, ondernemingsklassebeveiliging en de mogelijkheid om uiteenlopende gegevensbronnen te integreren vereist.

Op het volgende niveau gaan AI-agenten verder dan voorspellende AI-algoritmen en software met hun mogelijkheid om autonoom te opereren, zich aan te passen aan veranderende omgevingen en beslissingen te nemen op basis van zowel vooraf gedefinieerde regels als geleerde gedragingen. Terwijl traditionele AI-hulpmiddelen mogelijk uitblinken in specifieke taken of gegevensanalyse, kunnen AI-agenten meerdere mogelijkheden integreren om complexe, dynamische omgevingen te navigeren en multifacetteproblemen op te lossen. AI-agenten kunnen organisaties helpen effectiever, productiever en de klant- en medewerkerervaring te verbeteren, terwijl ze kosten verlagen.

Wanneer ze zijn gebouwd met de juiste AI-modellen als hulpmiddelen en met verticale gegevensbronnen en machine learning om gespecialiseerde contextuele activiteit te ondersteunen, worden AI-agenten hoge-productiviteitswerkpaarden in termen van het ontcijferen van het probleem, de juiste stappen nemen, herstellen van fouten en verbeteren in de loop van de tijd op de gegeven taken.

Navigeren door implementatie: sleutelaspecten voor ondernemingen om te overwegen

Het implementeren van voorspellende, generatieve en uiteindelijk agente AI in een ondernemingsomgeving kan zeer gunstig zijn, maar het nemen van de juiste stappen vóór implementatie om succes te garanderen is kritiek. Hier zijn enkele van de belangrijkste overwegingen voor ondernemingen bij het overwegen en starten van AI-agenten.

• Aanpassing aan bedrijfsdoelen: Voor een succesvolle ondernemings-AI-adoptie moet het specifieke use cases in specifieke industrieën aanpakken en een toename van productiviteit en nauwkeurigheid bieden. Betrek regelmatig zakenpartners bij het AI-beoordelings-/selectieproces om aanpassing te garanderen en een duidelijke ROI te bieden. De producten moeten zijn aangepast aan processen en workflows die de resultaten meetbaar verbeteren voor de gedefinieerde use cases en verticale domeinen.
• Gegevenskwaliteit, -kwantiteit en -integratie: Aangezien AI-modellen grote hoeveelheden hoge-kwaliteitsgegevens vereisen om effectief te zijn, moeten ondernemingen robuuste gegevensverzameling- en verwerkingpijpleidingen implementeren om ervoor te zorgen dat de AI actuele, nauwkeurige, relevante gegevens ontvangt. Het cureren van gegevensbronnen vermindert het risico van hallucinaties aanzienlijk en stelt de AI in staat om de optimale analyse, aanbevelingen en beslissingen te nemen.
• Beveiliging en privacy: Het omgaan met gevoelige gegevens in AI-modellen houdt privacyrisico’s en potentiële beveiligingskwetsbaarheden in. Zorgvuldige overweging over welke gegevens nodig zijn voor de AI om zijn werk te doen, en niet het verstrekken van gegevens die niet direct relevant zouden zijn, kan helpen om blootstelling te minimaliseren. Toepassingen moeten ook rolgebaseerde en gebruikersgebaseerde toegangscontrole met authenticatiebescherming bieden op het dataniveau en API-niveau en bevestigen dat gegevens niet zonder verificatie en bescherming naar SLM’s of LLM’s worden doorgegeven.
• 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 – bijvoorbeeld kan een gespecialiseerde SLM even effectief zijn als een meer algemene LLM en aanzienlijk de rekenkrachteisen en vertragingen verminderen.
• Modelinterpretatie en verklarende waarde: Veel AI-modellen, vooral diepe leermodellen, worden vaak gezien als “black boxes”. Goede ondernemings-AI-producten bieden volledige transparantie, inclusief welke bronnen de modellen hebben geraadpleegd en wanneer, en waarom elke aanbeveling is gedaan. Het hebben van deze context is kritiek om gebruikersvertrouwen te creëren en adoptie te stimuleren.

Mogelijke nadelen van AI-agenten

Zoals bij elke nieuwe technologie, hebben AI-agenten enkele mogelijke nadelen. De beste AI-agenttoepassingen vertrouwen op human-in-the-loop-processen – inclusief alle SymphonyAI-agente AI-toepassingen en -mogelijkheden. Deze benadering biedt menselijke toezicht, interventie en samenwerking, waardoor de acties van de agent in overeenstemming zijn met bedrijfsdoelen en ethische overwegingen. Human-in-the-loop-systemen kunnen real-time feedback bieden, kritieke beslissingen goedkeuren of ingrijpen wanneer de AI onbekende situaties tegenkomt, waardoor een krachtige samenwerking tussen kunstmatige en menselijke intelligentie ontstaat.

Verantwoorde AI levert ook een sterk gebruikersinterface, traceerbaarheid en de mogelijkheid om de stappen van de agent te auditen. Wij houden ons aan de principes van verantwoorde AI van aansprakelijkheid, transparantie, beveiliging, betrouwbaarheid/veiligheid en privacy.

De weg naar volledig autonome agenten

Het is moeilijk om te voorspellen hoe realistisch het scenario van volledig autonome agenten is, omdat we geen industriebrede maatstaf hebben vastgesteld voor het niveau van autonomie. Bijvoorbeeld, in het gebied van autonoom rijden is een niveau van 1-5 vastgesteld voor zelfrijdende mogelijkheden, van niveau 0, waarbij de bestuurder alle rijtaken uitvoert, tot niveau 5, waarbij het voertuig alle rijtaken uitvoert.

We zijn goed op weg in wat ik zie als de derde fase van de weg naar ondernemingswaarde met AI – waar gecombineerde generatieve en voorspellende AI-toepassingen geavanceerde aanbevelingen doen en vloeibare what-if-analyse ondersteunen. Bij SymphonyAI zien we de volgende fase evolueren naar autonome AI-agenten, die samenwerken met voorspellende en generatieve AI om financiële fraudeonderzoeken te versnellen, retailcategoriebeheer en vraagvoorspelling te turbochargeden en fabrikanten in staat te stellen machinefouten te voorspellen en te voorkomen.\

We zijn momenteel de complexiteit en autonomie van AI-agenten binnen onze toepassingen aan het vergroten, en de feedback van klanten is zeer positief. Voorspellende en generatieve AI hebben een niveau bereikt waarop ze workflows kunnen automatiseren die eerder te complex werden geacht voor traditionele software. Autonome, of agente, AI blinkt uit in het afhandelen van deze taken zonder toezicht, waardoor transformatieve productiviteitswinsten en menselijke middelen kunnen worden vrijgemaakt om zich te concentreren op meer strategische activiteiten.

Bijvoorbeeld, een multinationale Europese bank die SymphonyAI Sensa Investigation Hub met AI-agenten en een copilot gebruikt, heeft financiële misdrijfonderzoekers geholpen om tijd te besparen op hun onderzoeken, terwijl tegelijkertijd de kwaliteit van het onderzoek werd verbeterd. Binnen enkele weken zag de bank een gemiddelde inspanningsbesparing van ongeveer 20% in niveau 1- en niveau 2-onderzoeken. De bank verwacht ook kostenbesparingen met SymphonyAI op Microsoft Azure van €3,5 miljoen per jaar, inclusief een daling van 80% in uitgaven met een toonaangevende technologieaanbieder van €1,5 miljoen per jaar tot €300.000 per jaar.

Met zorgvuldig, ondernemingsklasse-ontwerp met verantwoorde AI-principes, leveren AI-agenten transformatieve productiviteit, nauwkeurigheid en excellentie voor een groeiend aantal bewezen use cases. Bij SymphonyAI is onze missie om ondernemingen te voorzien van AI-agenten die operationele excellentie leveren. Door snelle responsiviteit te combineren met langetermijnstrategisch denken, is agente AI klaar om kritieke processen in meerdere industrieën te revolutioneren.