Veien fra RPA til autonome agenter

En finanskriminalitetetterforsker som en gang mottok store volumer av mistenkelige aktivitetsvarsler som krevde kjedelige undersøkelser for å manuelt samle inn data fra systemer for å kunne skille ut feilpositive og utarbeide mistenkelige aktivitetsrapporter (SAR) på de andre. I dag mottar hun prioriterede varsler med automatisert forskning og foreslått innhold som kan generere SAR på få minutter.

En varekategoriplanlegger som tidligere gjorde timer lange analyser av tidligere ukers rapporter for å prøve å avdekke innsikter i hvilke produkter som underpresterer og hvorfor, bruker nå AI for å gi dybdeinnsikter som avdekker problemområder og foreslår korrektive tiltak, prioriterer for maksimal forretningsvirking. En industriell vedlikeholdssjef bruker en copilot som utfører 24/7 overvåking av tilstandsstatus og forutsier problemer og genererer advarsler på de tidlige stadiene av mekaniske eller ytelsesproblemer, og reduserer uventet nedtid.

Disse transformasjonene skjer over hele bedrifter i dag, og indikerer en grunnleggende endring: vertikale applikasjoner som kombinerer prediktiv, generativ og fremvoksende agens AI, forsterker og transformerer arbeidsprosesser, og gir målrettede, sofistikerte kapasiteter som løser langt mer komplekse og kontekstuelle utfordringer enn tidligere løsninger.

Gartners Hype Cycle for Emerging Technologies fra 2024 fremhevet autonome AI som en av årets fire fremherskende teknologitrender – og med god grunn. Med ikke-AI-agenter måtte brukerne definere hva de måtte automatisere og hvordan de skulle gjøre det i stor detalj. Men applikasjoner som kombinerer prediktiv, generativ og snart agens AI med spesialiserte vertikale kunnskapskilder og arbeidsprosesser, kan hente informasjon fra ulike kilder i hele bedriften, og automatisere og påskynde gjentakende oppgaver, og gi anbefalinger for høyvirkende handlinger. Bedrifter som bruker disse applikasjonene oppnår raskere og mer nøyaktig beslutningstaking, rask problemløsning og forebyggende tiltak for å forhindre problemer fra å oppstå i første omgang.

AI-agenter representerer den neste bølgen i bedrifts-AI. De bygger på grunnlag av prediktiv og generativ AI, men tar et betydelig skritt fremover i terms of autonomi og tilpasning. AI-agenter er ikke bare verktøy for analyse eller innholdsgenerering – de er intelligente systemer som kan fatte uavhengige beslutninger, løse problemer og lære kontinuerlig. Denne utviklingen markerer en overgang fra AI som et støtteverktøy til AI som en aktiv deltaker i forretningsprosesser, som kan initiere handlinger og tilpasse strategier i sanntid.

Utviklingen fra RPA til autonome agenter

Tradisjonelt ble RPA brukt til gjentakende, heuristiske prosesser og lavkompleksitetsoppgaver med strukturerte datainndata. RPA bruker strukturerte inndata og definert logikk til å automatisere høyt gjentakende prosesser som datainntasting, filoverføring og fylle ut skjemaer. Den vide tilgjengeligheten av billige, høyeffektive prediktive og generative AI har løst det neste nivået av mer komplekse forretningsproblemer som krever spesialisert domeneekspertise, bedriftsklasse-sikkerhet og evnen til å integrere ulike datakilder.

I det neste nivået går AI-agenter utover prediktive AI-algoritmer og programvare med deres evne til å operere autonomt, tilpasse seg endrede omgivelser og fatte beslutninger basert på både forhåndsdefinerte regler og lært atferd. Mens tradisjonelle AI-verktøy kan utmerke seg i bestemte oppgaver eller dataanalyse, kan AI-agenter integrere flere kapasiteter for å navigere komplekse, dynamiske omgivelser og løse multifasetterte problemer. AI-agenter kan hjelpe organisasjoner å bli mer effektive, mer produktive og forbedre kunde- og ansatteopplevelsen, samtidig som de reduserer kostnadene.

Når de bygges med de riktige AI-modellene som verktøy og med vertikale datakilder og maskinlæring for å støtte spesialisert kontekstuell aktivitet, blir AI-agenter høyproduktive arbeidshester når det gjelder å tyde problemet, ta riktige skritt, gjenopprette feil og forbedre seg over tid på de gitte oppgavene.

Navigering av implementering: Nøkkelaspektene for bedrifter å vurdere

Å implementere prediktiv, generativ og til slutt agens AI i en bedriftssetting kan være svært gunstig, men å ta de riktige skrittene før utrullering for å sikre suksess er kritisk. Her er noen av de viktigste vurderingene for bedrifter når de vurderer og starter å rulle ut AI-agenter.

• Alignering med forretningsmål: For bedrifts-AI-tilpasning å være suksessfull, må den løse bestemte brukstilfeller i bestemte bransjer og levere økt produktivitet og nøyaktighet. Inkluder jevnlig forretningsstakeholdere i AI-vurdering/utvalgsprosessen for å sikre alignering og gi tydelig avkastning. Produktene må være tilpasset prosesser og arbeidsflyter som målbart forbedrer resultater for de definerte brukstilfellene og vertikale domener.
• Datakvalitet, -kvantitet og -integrering: Ettersom AI-modeller krever store mengder høykvalitetsdata for å fungere effektivt, må bedrifter implementere robuste datainnsamlings- og -prosesseringspipeliner for å sikre at AI mottar aktuell, nøyaktig og relevant data. Kurring av datakilder reduserer betydelig risikoen for hallusinasjoner og muliggjør at AI kan gjøre optimal analyse, anbefalinger og beslutninger.
• Sikkerhet og personvern: Behandling av følsomme data i AI-modeller utgjør personvernrisiko og potensielle sikkerhetssvakheter. Omsorgsfull vurdering av hva slags data som er nødvendig for AI å gjøre jobben, og ikke å gi data som ikke ville være direkte relevant, kan hjelpe å minimere eksponering. Applikasjonene må også gi rollebasert og brukerbasert tilgangskontroll med autentiseringsbeskyttelse bygget inn på datanivå og API-nivå og bekrefte at data ikke når SLM eller LLM uten verifisering og beskyttelse.
• Infrastruktur og skalerbarhet: Å kjøre store AI-modeller krever betydelige beregningsressurser, og skalerbarhet kan også være et problem. God design vil forhindre overforbruk av ressurser – for eksempel kan en spesialisert SLM være like effektiv som en mer generell LLM og signifikant redusere beregningskrav og latenser.
• Modellfortolkning og forklarbarhet: Mange AI-modeller, spesielt dyp læringsmodeller, sees ofte på som “svarte bokser”. God bedrifts-AI-produkter gir full transparens, inkludert hvilke kilder modellene aksesserte og når, og hvorfor hver anbefaling ble gjort. Å ha denne konteksten er kritisk for å skape brukertillit og drive tilpasning.

Potensielle ulemper med AI-agenter

Som med alle nye teknologier, har AI-agenter noen potensielle ulemper. De beste AI-agent-applikasjonene baserer seg på menneske-i-løkken-prosesser – inkludert alle SymphonyAI-agens AI-applikasjoner og kapasiteter. Denne tilnærmingen tillater menneskelig tilsyn, inngripen og samarbeid, og sikrer at agentens handlinger er i samsvar med forretningsmål og etiske overveielser. Menneske-i-løkken-systemer kan gi sanntids tilbakemelding, godkjenne kritiske beslutninger eller gå inn når AI møter ukjente situasjoner, og skape et kraftfullt samarbeid mellom kunstig og menneskelig intelligens.

Ansvarlig AI leverer også en sterk brukergrensesnitt, sporbarhet og evnen til å granske trinnene for hvorfor agenten valgte en eksekveringsvei. Vi holder fast ved ansvarlige AI-prinsipper om ansvarlighet, transparens, sikkerhet, pålitelighet/sikkerhet og personvern.

Veien til fullstendig autonome agenter

Det er vanskelig å forutsi hvor realistisk scenariet for fullstendig autonome agenter er, fordi vi ikke har etablert en bransjevid målestokk for nivået av autonomi. For eksempel har området for selvstyrt kjøring etablert nivå 1-5 for selvstyrt kjøring, med null som ingen automatisering hvor sjåføren utfører alle kjøretøyoppgaver, til nivå fem som full automatisering hvor kjøretøyet utfører alle kjøretøyoppgaver.

Vi er godt fremme i det jeg ser som den tredje fasen av veien til bedriftsverdi med AI – hvor kombinasjonen av generativ og prediktiv AI-applikasjoner gir sofistikerte anbefalinger og støtter flytende hva-hvis-analyse. Hos SymphonyAI ser vi den neste fasen utvikle seg mot autonome AI-agenter, som arbeider med prediktiv og generativ AI for å påskynde finanskriminalitetsetterforskning, turbo-ladde detaljhandelskategoristyring og etterspørselsprognose, og muliggjør at produsenter kan forutsi og unngå maskinfeil.\

Vi er for tiden i ferd med å forbedre kompleksiteten og autonomien til AI-agenter i våre applikasjoner, og kunde-tilbakemelding er svært positiv. Prediktiv og generativ AI har utviklet seg til et nivå hvor de kan automatisere arbeidsflyter som en gang ble ansett for å være for komplekse for tradisjonell programvare. Autonome, eller agens, AI utmerker seg i å håndtere disse oppgavene uten tilsyn, og fører til transformative produktivitetsgevinster og lar menneskelige ressurser fokusere på mer strategiske aktiviteter.

For eksempel har en multinasjonal europeisk bank som bruker SymphonyAI Sensa Investigation Hub med AI-agenter og en copilot hjulpet finanskriminalitetsetterforskere å spare tid på undersøkelsene samtidig som de forbedrer undersøkelseskvaliteten. Innen noen uker så banken en gjennomsnittlig innsparingsøkning på ca. 20% i nivå 1- og nivå 2-undersøkelser. Banken projiserer også kostnadsbesparelser med SymphonyAI på Microsoft Azure på 3,5 millioner euro per år, inkludert en 80% reduksjon i utgifter til en ledende teknologileverandør fra 1,5 millioner euro per år til 300 000 euro per år.

Med omsorgsfull, bedriftsklasse-design som bruker ansvarlige AI-prinsipper, leverer AI-agenter transformative produktivitet, nøyaktighet og eksellens for en voksende mengde beviste brukstilfeller. Hos SymphonyAI er vår misjon å levere bedrifter med AI-agenter som leverer operasjonell eksellens. Ved å kombinere rask responsivitet med langtidsstrategisk tenkning, er agens AI på vei til å revolusjonere kritiske prosesser over flere bransjer.