За пределами ChatGPT; Агент ИИ: новый мир работников

Благодаря достижениям в области глубокого обучения, обработки естественного языка (НЛП) и искусственного интеллекта мы переживаем период, когда агенты искусственного интеллекта могут составлять значительную часть глобальной рабочей силы. Эти агенты искусственного интеллекта, превосходящие чат-боты и голосовые помощники, формируют новую парадигму как для отраслей, так и для нашей повседневной жизни. Но что на самом деле значит жить в мире, дополненном этими «рабочими»? Эта статья глубоко погружается в эту развивающуюся ситуацию, оценивая последствия, потенциал и проблемы, которые ждут впереди.

Краткий обзор: эволюция работников искусственного интеллекта

Прежде чем осознать надвигающуюся революцию, крайне важно признать уже произошедшую эволюцию под влиянием искусственного интеллекта.

• Традиционные вычислительные системы: Путь начался с базовых вычислительных алгоритмов. Эти системы могли решать заранее определенные задачи, используя фиксированный набор правил.
• Чат-боты и ранние голосовые помощники: По мере развития технологий развивались и наши интерфейсы. Такие инструменты, как Siri, Cortana и ранние чат-боты, упрощали взаимодействие пользователя с искусственным интеллектом, но имели ограниченное понимание и возможности.
• Нейронные сети и глубокое обучение: Нейронные сети стали поворотным моментом, имитируя функции человеческого мозга и развиваясь на основе опыта. Методы глубокого обучения еще больше улучшили эту ситуацию, позволив усовершенствовать распознавание изображений и речи.
• Трансформеры и продвинутые модели НЛП: Внедрение архитектур-трансформеров произвело революцию в сфере НЛП. Такие системы, как ChatGPT OpenAI, BERT и T5 позволили совершить прорыв в общении человека и ИИ. Благодаря глубокому пониманию языка и контекста эти модели могут вести содержательные беседы, писать контент и отвечать на сложные вопросы с беспрецедентной точностью.

Познакомьтесь с ИИ-агентом: больше, чем просто разговор

Сегодня ИИ-ландшафт намекает на нечто более обширное, чем инструменты для общения. Агенты ИИ, помимо простых функций чата, теперь могут выполнять задачи, учиться на опыте своей среды, принимать решения и даже проявлять творческий подход. Они не просто отвечают на вопросы; они решают проблемы.

Традиционные модели разработки программного обеспечения работали по чёткому пути. Заинтересованные стороны формулировали цель для менеджеров по разработке ПО, которые затем разрабатывали конкретный план. Инженеры реализовывали этот план посредством строк кода. Эта «традиционная парадигма» функциональности программного обеспечения была чётко определённой и предполагала множество вмешательств человека.

Однако агенты ИИ действуют по-другому. Агент:

1. Имеет цели оно стремится достичь.
2. Может взаимодействовать с его охрана окружающей среды.
3. Формулирует план на основе этих наблюдений достичь своей цели.
4. Принимает необходимые действия, корректировка своего подхода на основе изменяющегося состояния окружающей среды.

Что действительно отличает агентов ИИ от традиционных моделей, так это их способность самостоятельно создавать пошаговый план достижения цели. По сути, если раньше план составлял программист, то сегодня агенты ИИ сами прокладывают свой путь.

Рассмотрим повседневный пример. В традиционном программном обеспечении программа уведомляет пользователей о просроченных задачах на основе заранее определенных условий. Разработчики установят эти условия на основе спецификаций, предоставленных менеджером по продукту.

В парадигме ИИ-агента агент сам определяет, когда и как уведомлять пользователя. Он оценивает окружающую среду (привычки пользователя, состояние приложения) и выбирает оптимальный вариант действий. Таким образом, процесс становится более динамичным и более актуальным.

ChatGPT ознаменовал собой отход от своего традиционного применения благодаря интеграции плагинов, что позволило использовать внешние инструменты для выполнения множественных запросов. Это стало ранним проявлением концепции агента. Рассмотрим простой пример: пользователь, интересующийся погодой в Нью-Йорке, ChatGPT, используя плагины, мог взаимодействовать с внешним API погоды, интерпретировать данные и даже корректировать курс на основе полученных ответов.

Текущий ландшафт агентов ИИ

Агенты ИИ, в том числе Auto-GPT, AgentGPT и BabyAGI, открывают новую эру в обширной вселенной ИИ. Пока ChatGPT популяризировался Генеративный ИИ Требуя человеческого участия, ИИ-агенты стремятся дать возможность ИИ функционировать самостоятельно, достигая целей практически без вмешательства человека. Этот преобразующий потенциал был подчёркнут стремительным ростом Auto-GPT, который набрал более 107,000 XNUMX звёзд на GitHub всего за шесть недель после запуска, что является беспрецедентным ростом по сравнению с такими известными проектами, как пакет для анализа данных «pandas».

Агенты ИИ против ChatGPT

Многие продвинутые агенты искусственного интеллекта, такие как Auto-GPT и BabyAGI, используют архитектуру GPT. Их основная задача — свести к минимуму необходимость вмешательства человека при выполнении задач ИИ. Описательные термины, такие как «GPT в цикле», характеризуют работу таких моделей, как AgentGPT и BabyAGI. Они работают в итеративных циклах, чтобы лучше понимать запросы пользователей и совершенствовать результаты. Между тем, Auto-GPT расширяет границы, включая доступ к Интернету и возможности выполнения кода, что значительно расширяет возможности решения проблем.

Инновации в ИИ-агентах

1. Долгосрочная память: Традиционные LLM имеют ограниченную память, сохраняя только недавние сегменты взаимодействий. Для комплексных задач крайне важно вспомнить весь разговор или даже предыдущие. Чтобы преодолеть эту проблему, агенты ИИ внедрили рабочие процессы, преобразовывая текстовые разговоры в числовые массивы, предлагая решение проблемы ограничений памяти.
2. Возможности просмотра веб-страницЧтобы быть в курсе последних событий, Auto-GPT оснащён функциями браузера, использующими API поиска Google. Это вызвало споры в сообществе специалистов по искусственному интеллекту относительно объёма знаний искусственного интеллекта.
3. Рабочий код: Помимо генерации кода, Auto-GPT может выполнять коды как оболочки, так и Python. Эта беспрецедентная возможность позволяет ему взаимодействовать с другим программным обеспечением, тем самым расширяя сферу его применения.

На диаграмме визуализирована архитектура системы искусственного интеллекта, основанной на модели большого языка и агентах.

• входные: Система получает данные из различных источников: прямые команды пользователя, структурированные базы данных, веб-контент и датчики окружающей среды, работающие в режиме реального времени.
• LLM и агенты: По сути, LLM обрабатывает эти входные данные, сотрудничая со специализированными агентами, такими как Auto-GPT для цепочки мыслей, AgentGPT для веб-задач, BabyAGI для действий, специфичных для задачи, и HuggingGPT для командной обработки.
• Выходы: после обработки информация преобразуется в удобный для пользователя формат, а затем передается на устройства, которые могут воздействовать на внешнюю среду или влиять на нее.
• Компоненты памяти: Система сохраняет информацию как на временной, так и на постоянной основе через краткосрочные кэши и долгосрочные базы данных.
• Окружающая среда: Это внешняя сфера, которая влияет на датчики и на которую влияют действия системы.

Расширенные агенты искусственного интеллекта: Auto-GPT, BabyAGI и другие.

AutoGPT и AgentGPT

АвтоGPT, детище, опубликованное на GitHub в марте 2023 года, представляет собой гениальное приложение на Python, использующее возможности GPT, преобразующей генеративной модели OpenAI. Auto-GPT отличается от своих предшественников своей автономностью: он разработан для выполнения задач с минимальным участием человека и обладает уникальной способностью самостоятельно инициировать подсказки. Пользователям достаточно определить общую цель, и Auto-GPT создаст необходимые подсказки для её достижения, что делает его потенциально революционным шагом к истинному общему искусственному интеллекту (AGI).

Благодаря функциям, охватывающим подключение к Интернету, управление памятью и возможности хранения файлов с использованием GPT-3.5, этот инструмент способен решать широкий спектр задач: от обычных, таких как составление электронной почты, до сложных задач, которые обычно требуют гораздо большего участия человека.

С другой стороны, АгентGPT, также созданный на основе фреймворка GPT, представляет собой ориентированный на пользователя интерфейс, настройка и использование которого не требуют обширных знаний в области программирования. AgentGPT позволяет пользователям определять цели для ИИ, которые затем преобразуются в управляемые задачи.

Пользовательский интерфейс агентаGPT

Кроме того, AgentGPT отличается своей универсальностью. Он не ограничивается созданием чат-ботов. Платформа расширяет свои возможности для создания разнообразных приложений, таких как боты Discord, и даже легко интегрируется с Auto-GPT. Такой подход гарантирует, что даже пользователи без обширного опыта программирования смогут выполнять такие задачи, как полностью автономное кодирование, генерация текстов, перевод и решение проблем.

Лангчейн Это фреймворк, который объединяет большие языковые модели (LLM) с различными инструментами и использует агентов, часто называемых «ботами», для определения и выполнения конкретных задач путём выбора подходящего инструмента. Эти агенты легко интегрируются с внешними ресурсами, а векторная база данных в LangChain хранит неструктурированные данные, обеспечивая быстрый поиск информации для LLM.

BabyAGI

Затем есть BabyAGI — упрощённый, но мощный агент. Чтобы понять возможности BabyAGI, представьте себе цифрового менеджера проектов, который автономно создаёт, организует и выполняет задачи, чётко фокусируясь на поставленных целях. В то время как большинство платформ на базе ИИ ограничены заранее заложенными знаниями, BabyAGI выделяется своей способностью адаптироваться и учиться на собственном опыте. Он обладает глубокими возможностями распознавания обратной связи и, подобно людям, принимает решения методом проб и ошибок.

Примечательно, что основное преимущество BabyAGI заключается не только в его адаптивности, но и в способности выполнять код для решения конкретных задач. Он отлично проявляет себя в сложных областях, таких как торговля криптовалютой, робототехника и автономное вождение, что делает его универсальным инструментом для множества приложений.

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

Этот процесс можно разделить на три агента:

1. Агент исполнения: Этот агент, являющийся сердцем системы, использует API OpenAI для обработки задач. Получив цель и задачу, он запрашивает API OpenAI и получает результаты выполнения задач.
2. Агент создания задач: Эта функция создает новые задачи на основе предыдущих результатов и текущих целей. Запрос отправляется в API OpenAI, который затем возвращает потенциальные задачи, организованные в виде списка словарей.
3. Агент приоритезации задач: Заключительный этап включает в себя последовательность задач в зависимости от приоритета. Этот агент использует API OpenAI для изменения порядка задач, гарантируя, что наиболее важные из них будут выполняться в первую очередь.

В сотрудничестве с языковой моделью OpenAI BabyAGI использует возможности Pinecone для хранения и извлечения результатов задач с учетом контекста.

Ниже приведена демонстрация использования BabyAGI. эту ссылку.

Для начала вам понадобится действительный ключ OpenAPI. Для удобства доступа в интерфейсе есть раздел настроек, где можно ввести ключ OpenAPI. Кроме того, если вы хотите управлять расходами, не забудьте установить ограничение на количество итераций.

Настроив приложение, я провел небольшой эксперимент. Я разместил в BabyAGI подсказку: «Создайте краткую ветку твита, посвященную пути личностного роста, затрагивая вехи, проблемы и преобразующую силу непрерывного обучения».

BabyAGI ответил продуманным планом. Это был не просто шаблон, а комплексная дорожная карта, показывающая, что базовый ИИ действительно понял все нюансы запроса.

Deepnote AI второй пилот

Deepnote AI второй пилот меняет динамику исследования данных в блокнотах. Но что отличает его?

По своей сути Deepnote AI призван улучшить рабочий процесс специалистов по обработке данных. В тот момент, когда вы даете элементарную инструкцию, ИИ начинает действовать, разрабатывая стратегии, выполняя SQL-запросы, визуализируя данные с помощью Python и четко представляя свои выводы.

Одно из преимуществ Deepnote AI — комплексное понимание вашего рабочего пространства. Понимая схемы интеграции и файловые системы, он идеально согласует свои планы выполнения с организационным контекстом, гарантируя, что его данные всегда будут актуальны.

Интеграция ИИ с ноутбуками создает уникальную петлю обратной связи. Он активно оценивает выходные данные кода, делая его способным к самокоррекции и гарантируя, что результаты соответствуют поставленным целям.

Deepnote AI отличается прозрачностью операций и дает четкое представление о своих процессах. Переплетение кода и результатов гарантирует, что его действия всегда подотчетны и воспроизводимы.

CAMEL

CAMEL — это структура, которая призвана способствовать сотрудничеству между агентами ИИ, стремясь к эффективному выполнению задач при минимальном человеческом надзоре.

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

Он делит свою деятельность на два основных типа агентов:

• Пользовательский агент AI дает инструкции.
• Агент AI Assistant выполняет задачи на основе предоставленных директив.

Одна из целей CAMEL — разобраться в тонкостях мыслительных процессов ИИ, стремясь оптимизировать синергию между несколькими агентами. Благодаря таким функциям, как ролевая игра и вводные подсказки, CAMEL обеспечивает идеальное согласование задач ИИ с целями человека.

Моделирование мира Дикого Запада: жизнь в искусственном интеллекте

Созданный на основе таких идей, как программное обеспечение Unity, и адаптированный для Python, Моделирование мира Дикого Запада — это шаг к моделированию и оптимизации сред, в которых взаимодействуют несколько агентов ИИ, почти как в цифровом обществе.

Генеративные агенты

Эти агенты — не просто цифровые сущности. Они имитируют реалистичное человеческое поведение, от повседневной рутины до сложных социальных взаимодействий. Их архитектура расширяет обширную языковую модель, позволяя хранить опыт, осмысливать его и использовать для динамического планирования поведения.

Интерактивная песочница Westworld, напоминающая The Sims, воссоздаёт город, населённый генеративными агентами. Здесь пользователи могут взаимодействовать с агентами, наблюдать за их жизнью и направлять их, наблюдая за их эмерджентным поведением и сложной социальной динамикой.

Моделирование мира Дикого Запада иллюстрирует гармоничное сочетание вычислительного мастерства и человеческих сложностей. Объединив обширные языковые модели с динамическими симуляциями агентов, он прокладывает путь к созданию опыта ИИ, поразительно неотличимого от реальности.

Заключение