Beyond ChatGPT; AI Agent: En ny verden av arbeidere

Med fremgang i dyp læring, naturlig språkbehandling (NLP) og AI, er vi i en tid hvor AI-agenter kan utgjøre en betydelig del av den globale arbeidsstyrken. Disse AI-ageneter, som går utenfor chatbots og taleassistenter, former en ny paradigme for både industrier og våre daglige liv. Men hva betyr det egentlig å leve i en verden som er forbedret av disse “arbeiderne”? Denne artikkelen dykker dypt inn i dette utviklende landskapet, og vurderer implikasjonene, potensialet og utfordringene som ligger foran.

En kort gjennomgang: Utviklingen av AI-arbeidere

Før vi forstår den forestående revolusjonen, er det avgjørende å erkjenne den AI-drevne utviklingen som allerede har funnet sted.

• Tradisjonelle datamaskinsystemer: Fra grunnleggende datamaskinalgoritmer, begynte reisen. Disse systemene kunne løse forhåndsdefinerte oppgaver ved hjelp av en fast sett med regler.
• Chatbots og tidlige taleassistenter: Etterhvert som teknologien utviklet seg, utviklet også våre grensesnitt seg. Verktøy som Siri, Cortana og tidlige chatbots forenklet bruker-AI-interaksjon, men hadde begrensede forståelse og evner.
• Neurale nettverk og dyp læring: Neurale nettverk markerte et vendepunkt, og etterlignet menneskehjernens funksjoner og utviklet seg gjennom erfaring. Dyp læringsteknikker forbedret dette ytterligere, og muliggjorde sofistikert bilde- og talegjenkjenning.
• Transformatorer og avanserte NLP-modeller: Introduksjonen av transformatorarkitekturer revolusjonerte NLP-landskapet. Systemer som ChatGPT fra OpenAI, BERT og T5 har muliggjort gjennombrudd i menneske-AI-kommunikasjon. Med deres dype forståelse av språk og kontekst, kan disse modellene holde meningsfulle samtaler, skrive innhold og svare på komplekse spørsmål med utenforliggende nøyaktighet.

Velkommen til AI-agenet: Mer enn bare en samtale

I dag antyder AI-landskapet noe mer omfattende enn samtaleverktøy. AI-ageneter, utenfor bare chat-funksjoner, kan nå utføre oppgaver, lære av sine omgivelser, fatte beslutninger og sogar vise kreativitet. De svare ikke bare på spørsmål; de løser problemer.

Tradisjonelle programvaremodeller arbeidet på en klar vei. Stakeholdere uttrykte et mål til programvareledere, som deretter designet en spesifikk plan. Ingeniører ville utføre denne planen gjennom kode. Denne ‘arven’ fra programvarefunksjonalitet var tydelig, og involverte en mengde menneskelig inngripen.

AI-ageneter, derimot, opererer annerledes. En agent:

1. Har mål det søker å oppnå.
2. Kan interagere med sin omgivelse.
3. Formulerer en plan basert på disse observasjonene for å oppnå sitt mål.
4. Tar nødvendige handling, justerer sin tilnærming basert på omgivelsens endrede tilstand.

Hva som virkelig skiller AI-ageneter fra tradisjonelle modeller, er deres evne til å selvstendig skape en steg-for-steg-plan for å realisere et mål. I essensen, mens tidligere programmører ga planen, charter AI-ageneter i dag sin egen kurs.

Betrakt et hverdags eksempel. I tradisjonell programvaredesign ville et program varsle brukere om forfalte oppgaver basert på forhåndsdefinerte betingelser. Utviklerne ville sette disse betingelsene basert på spesifikasjoner gitt av produktlederen.

I AI-agenet-paradigmet bestemmer agenet selv når og hvordan det skal varsle brukeren. Det måler omgivelsen (brukerens vaner, applikasjonsstat) og bestemmer den beste handlingen. Prosessen blir dermed mer dynamisk, mer i øyeblikket.

ChatGPT markerte et brudd med sin tradisjonelle bruk med integrering av plugins, og muliggjorde dermed å utnytte eksterne verktøy for å utføre flere forespørsler. Det ble en tidlig manifestasjon av agentkonseptet. Hvis vi betrakter et enkelt eksempel: en bruker som spør om New York Citys vær, ChatGPT, som utnytter plugins, kunne interagere med en ekstern vær-API, tolke dataene og sogar korrigere kursen basert på svarene mottatt.

Gjeldende landskap av AI-ageneter

AI-ageneter, inkludert Auto-GPT, AgentGPT og BabyAGI, er begynnelsen på en ny æra i det omfattende AI-universet. Mens ChatGPT populariserte Generativ AI ved å kreve menneskelig inngang, er visjonen bak AI-ageneter å muliggjøre at AI kan fungere uavhengig, styre mot mål med liten eller ingen menneskelig inngripen. Dette transformative potensialet har blitt understreket av Auto-GPTs meteoriske oppstigning, som har samlet over 107 000 stjerner på GitHub i løpet av bare seks uker etter lanseringen, en utenforliggende vekst sammenlignet med etablerte prosjekter som datavitenskaps-pakken ‘pandas’.

AI-ageneter vs. ChatGPT

Mange avanserte AI-ageneter, som Auto-GPT og BabyAGI, utnytter GPT-arkitekturen. Deres primære fokus er å minimere behovet for menneskelig inngripen i AI-oppgavefullføring. Beskrivende termer som “GPT på en løkke” karakteriserer driften av modeller som AgentGPT og BabyAGI. De opererer i iterative sykluser for bedre å forstå brukerforespørsler og finjustere sine utdata. Mens Auto-GPT presser grensene videre ved å inkorporere internett-tilgang og kodekøyringsevner, utvider det betydelig sin problemløsningsevne.

Innovasjoner i AI-ageneter

1. Langsiktig minne: Tradisjonelle LLM-er har begrensede minne, og beholder bare de nyeste segmentene av interaksjoner. For omfattende oppgaver blir det avgjørende å huske hele samtalen eller sogar tidligere samtaler. For å overvinne dette, har AI-ageneter adoptert innføring av arbeidsflyter, og konverterer tekstlige samtaler til numeriske arrayer, og tilbyr en løsning på minnebegrensninger.
2. Nettsurfingsevner: For å holde seg oppdatert med nyheter, har Auto-GPT blitt utstyrt med nettlesingsevner, ved hjelp av Google Søke-API. Dette har ført til debatter innen AI-samfunnet om omfanget av en AI’s kunnskap.
3. Kodekøring: Forbi å generere kode, kan Auto-GPT også kjøre både shell- og Python-kode. Denne utenforliggende evnen muliggjør at den kan interagere med andre programvare, og utvider dermed sin operative domene.

Diagrammet visualiserer arkitekturen til et AI-system drevet av en stor språkmodell og agenter.

• Inndata: Systemet mottar data fra diverse kilder: direkte brukerforespørsler, strukturerte databaser, nettsider og sanntids-miljøsensorer.
• LLM & Agenter: I kjernen prosesserer LLM disse inndata, i samarbeid med spesialiserte agenter som Auto-GPT for tanke-kjeding, AgentGPT for nett-spesifikke oppgaver, BabyAGI for oppgave-spesifikke handlinger og HuggingGPT for team-basert prosessering.
• Utdata: Når informasjonen er prosessert, blir den omformet til en brukervennlig format og deretter sendt til enheter som kan handle eller påvirke den ytre omgivelsen.
• Minnekomponenter: Systemet beholder informasjon, både midlertidig og permanent, gjennom midlertidige cache og langtidsdatabaser.
• Miljø: Dette er den ytre verden, som påvirker sensorer og blir påvirket av systemets handlinger.

Avanserte AI-ageneter: Auto-GPT, BabyAGI og mer

AutoGPT og AgentGPT

AutoGPT, et genialt Python-basert program lansert på GitHub i mars 2023, er et intelligent verktøy som utnytter kraften fra GPT, OpenAIs transformative generative modell. Hva skiller Auto-GPT fra sine forgjengere, er dens autonomi – det er designet for å utføre oppgaver med minimal menneskelig veiledning og har den unike evnen til å selv-initiere forespørsler. Brukere trenger bare å definere et overordnet mål, og Auto-GPT skaper de nødvendige forespørsler for å oppnå dette målet, og gjør det til et potensielt revolusjonerende skritt mot sannt artificial general intelligence (AGI).

Med funksjoner som spenner over internett-tilkobling, minnehåndtering og fil-lagringsevner ved hjelp av GPT-3.5, er dette verktøyet dyktig til å håndtere en bred spekter av oppgaver, fra konvensjonelle oppgaver som e-post-komposisjon til intrikate oppgaver som vanligvis ville kreve mye mer menneskelig inngripen.

På den andre siden, AgentGPT, også bygget på GPT-rammeverket, er et bruker-sentrert grensesnitt som ikke krever omfattende kode-ekspertise for å sette opp og bruke. AgentGPT lar brukere definere AI-mål, som deretter deles inn i håndterbare oppgaver.

AgentGPT UI

Furthermore, AgentGPT skiller seg ut for sin fleksibilitet. Det er ikke begrenset til å lage chatbots. Plattformen utvider sine evner til å lage diverse applikasjoner som Discord-bots og integrerer også sammen med Auto-GPT. Denne tilnærmingen sikrer at selv de uten en omfattende kode-bakgrunn kan utføre oppgaver som fullstendig autonom kode, tekst-generering, språk-oversettelse og problemløsning.

LangChain er et rammeverk som kobler store språkmodeller (LLM-er) med diverse verktøy og utnytter agenter, ofte oppfattet som ‘Bots’, for å bestemme og utføre spesifikke oppgaver ved å velge det riktige verktøyet. Disse agentene integrerer sammen med eksterne ressurser, mens en vektor-database i LangChain lagrer ustrukturert data, og muliggjør rask informasjonsgjenkalling for LLM-er.

BabyAGI

Så er det BabyAGI, en forenklet men kraftfull agent. For å forstå BabyAGI’s evner, forestill deg en digital prosjektleder som selvstendig skaper, organiserer og utfører oppgaver med skarpt fokus på gitt mål. Mens de fleste AI-drevne plattformer er begrenset av sin forhånds-trening, skiller BabyAGI seg ut for sin evne til å tilpasse seg og lære av erfaringer. Det har en dypt evne til å skjønne tilbakemelding og, likesom mennesker, basere beslutninger på prøving og feil.

Notabelt er den underliggende styrken til BabyAGI ikke bare dens tilpasningsevne, men også dens evne til å kjøre kode for spesifikke mål. Det skinner i komplekse domener som kryptohandels, robotikk og autonom kjøring, og gjør det til et fleksibelt verktøy i en mengde applikasjoner.

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

Prosessen kan kategoriseres i tre agenter:

1. Utføring Agent: Hjertet av systemet, denne agenten utnytter OpenAIs API for oppgave-behandling. Gitt et mål og en oppgave, sender den forespørsler til OpenAIs API og henter oppgave-resultater.
2. Oppgave-skaping Agent: Denne funksjonen skaper nye oppgaver basert på tidligere resultater og nåværende mål. En forespørsel sendes til OpenAIs API, som deretter returnerer potensielle oppgaver, organisert som en liste av ordbøker.
3. Oppgave-prioritering Agent: Den siste fasen involverer sekvensering av oppgaver basert på prioritet. Denne agenten bruker OpenAIs API til å omorganisere oppgaver, og sikrer at de viktigste oppgavene blir utført først.

I samarbeid med OpenAIs språkmodell, utnytter BabyAGI evnene til Pinecone for kontekst-sentrert oppgave-resultat-lagring og -henting.

Under er en demonstrasjon av BabyAGI ved hjelp av denne lenken.

For å begynne, trenger du en gyldig OpenAPI-nøkkel. For enkel tilgang, har UI-en en innstillingdel hvor OpenAPI-nøkkelen kan angis. I tillegg, hvis du søker å håndtere kostnader, husk å sette en begrensning på antall iterasjoner.

Når jeg hadde konfigurert applikasjonen, gjorde jeg et lite eksperiment. Jeg sendte en forespørsel til BabyAGI: “Lag en konsis tweet-tråd som fokuserer på reisen mot personlig vekst, berører milepæler, utfordringer og den transformative kraften til kontinuerlig læring.”

BabyAGI svarte med en godt tenkt ut plan. Det var ikke bare en generisk mal, men en omfattende veikart som indikerte at den underliggende AI hadde faktisk forstått nuansene i forespørselen.

Deepnote AI Copilot

Deepnote AI Copilot endrer dynamikken til i notatbøker. Men hva skiller det fra andre?

I kjernen sikter Deepnote AI på å augmentere arbeidsflyten til. Øyeblikket du gir en rudimentær instruks, springer AI-en til liv, og utvikler strategier, kjører SQL-forespørsler, visualiserer data ved hjelp av Python og presenterer funn i en artikulert måte.

En av Deepnote AIs styrker er dens omfattende forståelse av arbeidsområdet ditt. Ved å forstå integrerings-schemas og fil-systemer, justerer den sine utføring-planer perfekt med den organisatoriske konteksten, og sikrer at dens innsikter alltid er relevante.

AI-ens integrasjon med notatbok-medium skaper en unik tilbakemeldings-løkke. Den aktivt vurderer kode-utdata, og gjør det dyktig til selv-korreksjon og sikrer at resultater er konsistente med fastsatte mål.

Deepnote AI skiller seg ut for sin transparente drift, og gir klare innsikter i prosessene sine. Sammenflettingen av kode og utdata sikrer at dens handlinger alltid er ansvarlige og reproduserbare.

CAMEL

CAMEL er et rammeverk som søker å fremme samarbeid blant AI-agenter, med mål om effektiv oppgave-fullføring med minimal menneskelig tilsyn.

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

Det deler sine operasjoner i to hoved-typer agenter:

• AI-bruker-agenten legger ut instruksjoner.
• AI-assistent-agenten utfører oppgaver basert på de gitt direktivene.

En av CAMELs aspirasjoner er å avdekke kompleksitetene i AI-tanke-prosesser, og sikte mot å optimere synergier mellom flere agenter. Med funksjoner som rolle-spilling og opphavs-forespørsel, sikrer det at AI-oppgaver sammenfaller sammen med menneskelige mål.

Westworld-simulering: Liv i AI

Avledet fra inspirasjoner som Unity-programvare og tilpasset i Python, er Westworld-simuleringen et skritt inn i å simulere og optimere miljøer hvor flere AI-agenter interagerer, nesten som en digital samfunn.

Generative agenter

Disse agentene er ikke bare digitale enheter. De simulerer troverdige menneskelige atferder, fra daglige rutiner til komplekse sosiale interaksjoner. Deres arkitektur utvider en stor språkmodell for å lagre erfaringer, reflektere over dem og bruke dem til dynamisk atferd-planlegging.

Westworld-simuleringen eksemplifiserer den harmoniske fusjonen av beregningskraft og menneskelige kompleksiteter. Ved å kombinere store språkmodeller med dynamiske agent-simuleringer, tegner den en vei mot å skape AI-erfaringer som er slående ulikkelige fra virkeligheten.

Konklusjon

AI-ageneter kan være usedvanlig fleksible og former industrier, endrer arbeidsflyter og muliggjør bedrifter som en gang syntes umulige. Men som alle banebrytende innovasjoner, er de ikke uten feil.

Mens de har kraften til å endre det digitale livets very fabric, kjemper disse agentene fortsatt med visse utfordringer, noen av dem er innately menneskelige, som å forstå kontekst i nyanserte situasjoner eller å håndtere problemer som ligger utenfor deres trente datasamlinger.

I den neste artikkelen, vil vi dykke dyptere inn i Auto-GPT og GPT Engineer, og undersøke hvordan man setter dem opp og bruker dem. I tillegg vil vi utforske årsakene til at disse AI-ageneter av og til feiler, som å bli fanget i løkker, blant andre problemer. Så vent til da!