Bortom ChatGPT: AI-agenten – En ny värld av arbetare

Med framsteg inom djupinlärning, naturlig språkbehandling (NLP) och AI befinner vi oss i en tid då AI-agenter kan utgöra en betydande del av den globala arbetskraften. Dessa AI-agenter, som går utöver chatbots och röstassistenter, formar en ny paradigm för både industrier och vår vardag. Men vad betyder det egentligen att leva i en värld som förstärks av dessa “arbetare”? Den här artikeln dyker djupt in i denna utvecklande landskap, utvärderar implikationerna, potentialen och utmaningarna som ligger framför.

En kort tillbakablick: Utvecklingen av AI-arbetare

Innan vi förstår den förestående revolutionen är det viktigt att erkänna den AI-drivna utvecklingen som redan har skett.

• Traditionella datorsystem: Från grundläggande beräkningsalgoritmer började resan. Dessa system kunde lösa fördefinierade uppgifter med hjälp av en fast uppsättning regler.
• Chatbots och tidiga röstassistenter: När tekniken utvecklades, utvecklades också våra gränssnitt. Verktyg som Siri, Cortana och tidiga chatbots förenklade användar-AI-interaktionen men hade begränsad förståelse och kapacitet.
• Neurala nätverk och djupinlärning: Neurala nätverk markerade en vändpunkt, eftersom de imiterade mänskliga hjärnfunktioner och utvecklades genom erfarenhet. Djupinlärningstekniker förbättrade detta ytterligare, vilket möjliggjorde avancerad bild- och taligenkänning.
• Transformatorer och avancerade NLP-modeller: Introduktionen av transformatorarkitekturer revolutionerade NLP-landskapet. System som ChatGPT från OpenAI, BERT och T5 har möjliggjort genombrott i mänsklig-AI-kommunikation. Med deras djupa grepp om språk och sammanhang kan dessa modeller hålla meningsfulla samtal, skriva innehåll och besvara komplexa frågor med en aldrig tidigare skådad exakthet.

Introducera AI-agenten: Mer än bara en konversation

Dagens AI-landskap antyder något mer omfattande än konversationsverktyg. AI-agenter, utöver enkla chatsfunktioner, kan nu utföra uppgifter, lära sig från sin miljö, fatta beslut och till och med visa kreativitet. De svarar inte bara på frågor; de löser problem.

Traditionella programvarumodeller fungerade på en tydlig väg. Intressenter uttryckte ett mål till programvaruchefen, som sedan utformade en specifik plan. Ingenjörer skulle utföra denna plan genom kodrader. Denna “ärvda paradigm” för programvarufunktionalitet var tydlig, med många mänskliga ingrepp.

AI-agenter fungerar annorlunda. En agent:

1. Har mål som den strävar efter att uppnå.
2. Kan interagera med sin miljö.
3. Formulerar en plan baserat på dessa observationer för att uppnå sitt mål.
4. Utför nödvändiga åtgärder, justerar sin strategi baserat på miljöns föränderliga tillstånd.

Vad som verkligen skiljer AI-agenter från traditionella modeller är deras förmåga att autonomt skapa en steg-för-steg-plan för att uppnå ett mål. I själva verket, medan programmeraren tidigare tillhandahöll planen, kartlägger dagens AI-agenter sin egen kurs.

Överväg ett vardagsexempel. I traditionell programvarudesign skulle ett program meddela användare om förfallna uppgifter baserat på fördefinierade villkor. Utvecklarna skulle ställa in dessa villkor baserat på specifikationer som tillhandahållits av produktchefen.

I AI-agentparadigmet bestämmer agenten själv när och hur den ska meddela användaren. Den bedömer miljön (användarens vanor, applikationsstatus) och beslutar om den bästa kursen. Processen blir därmed mer dynamisk, mer i ögonblicket.

ChatGPT markerade en avvikelse från dess traditionella användning med integrationen av plugins, vilket möjliggjorde för det att utnyttja externa verktyg för att utföra flera förfrågningar. Det blev en tidig manifestation av agentkonceptet. Om vi överväger ett enkelt exempel: en användare som frågar om New York Citys väder, ChatGPT, som utnyttjar plugins, kunde interagera med en extern väder-API, tolka data och till och med kurskorrigera baserat på svaren som mottogs.

Nuvarande landskap för AI-agenter

AI-agenter, inklusive Auto-GPT, AgentGPT och BabyAGI, är på väg att inleda en ny era i den expansiva AI-universumet. Medan ChatGPT populariserade generativ AI genom att kräva mänsklig inmatning, är visionen bakom AI-agenter att möjliggöra för AI att fungera oberoende, styra mot mål med minimal mänsklig inblandning. Denna transformerande potential har understrukits av Auto-GPT:s meteoriska uppgång, som har fått över 107 000 stjärnor på GitHub inom bara sex veckor efter dess tillkomst, en utan motstycke tillväxt jämfört med etablerade projekt som data science-paketet ‘pandas’.

AI-agenter vs. ChatGPT

Många avancerade AI-agenter, som Auto-GPT och BabyAGI, använder GPT-arkitekturen. Deras primära fokus är att minimera behovet av mänsklig inblandning i AI-uppgiftsutförande. Beskrivande termer som “GPT på en loop” karakteriserar driften av modeller som AgentGPT och BabyAGI. De fungerar i iterativa cykler för att bättre förstå användarbegäranden och finjustera sina utdata. Samtidigt för Auto-GPT gränserna ytterligare genom att inkorporera internetåtkomst och kodkörningsförmåga, vilket avsevärt utvidgar dess problemlösningsområde.

Innovationer inom AI-agenter

1. Långsiktigt minne: Traditionella LLM har ett begränsat minne, som endast behåller de senaste segmenten av interaktioner. För omfattande uppgifter blir det avgörande att komma ihåg hela samtalet eller till och med tidigare samtal. För att övervinna detta har AI-agenter antagit inbäddningsarbetsflöden, som omvandlar textbaserade samtal till numeriska arrayer, vilket erbjuder en lösning på minnesbegränsningar.
2. Webbläsningsförmåga: För att hålla sig uppdaterad med aktuella händelser har Auto-GPT utrustats med webbläsningsförmåga, med hjälp av Google Search API. Detta har gett upphov till debatter inom AI-samhället angående omfattningen av en AIs kunskap.
3. Körning av kod: Utöver kodgenerering kan Auto-GPT köra både shell- och Python-kod. Denna utan motstycke förmåga möjliggör för den att gränssnitt mot andra programvaror, vilket därmed utvidgar dess operativa område.

Diagrammet visualiserar arkitekturen för ett AI-system som drivs av en stor språkmodell och agenter.

• Inmatningar: Systemet tar emot data från olika källor: direkt användarkommandon, strukturerade databaser, webbinnehåll och realtidsmiljösensorer.
• LLM & agenter: I kärnan bearbetar LLM dessa inmatningar, samarbetar med specialiserade agenter som Auto-GPT för tankekedjor, AgentGPT för webbaserade uppgifter, BabyAGI för uppgiftsspecifika åtgärder och HuggingGPT för teambaserad bearbetning.
• Utmatningar: När informationen har bearbetats omvandlas den till ett användarvänligt format och skickas sedan till enheter som kan agera på eller påverka den yttre omgivningen.
• Minneskomponenter: Systemet behåller information, både tillfälligt och permanent, genom kortvariga cacheminnen och långsiktiga databaser.
• Miljö: Detta är den yttre sfären, som påverkas av sensorer och påverkas av systemets åtgärder.

Avancerade AI-agenter: Auto-GPT, BabyAGI och mer

AutoGPT och AgentGPT

AutoGPT, en banbrytande Python-baserad applikation som släpptes på GitHub i mars 2023, är en genial skapelse som utnyttjar kraften från GPT, OpenAIs transformerande generativa modell. Vad som skiljer Auto-GPT från dess föregångare är dess autonomi – den är utformad för att utföra uppgifter med minimal mänsklig vägledning och har den unika förmågan att självinitiera prompter. Användare behöver bara definiera ett övergripande mål, och Auto-GPT skapar de nödvändiga prompterna för att uppnå det målet, vilket gör den till ett potentiellt revolutionerande steg mot sann artificiell allmän intelligens (AGI).

Med funktioner som spänner från internetanslutning, minneshantering och fil lagringsförmåga med hjälp av GPT-3.5, är detta verktyg skickligt på att hantera en bred spektrum av uppgifter, från konventionella som e-postkomposition till invecklade uppgifter som normalt skulle kräva betydligt mer mänskligt engagemang.

På andra sidan är AgentGPT, också byggt på GPT-ramverket, ett användarcentrerat gränssnitt som inte kräver omfattande kodkunskap för att konfigurera och använda. AgentGPT tillåter användare att definiera AI-mål, som sedan bryts ner i hanterbara uppgifter.

AgentGPT UI

Dessutom skiljer sig AgentGPT för sin flexibilitet. Den är inte begränsad till att skapa chatbots. Plattformen utvidgar sin funktionalitet till att skapa olika applikationer som Discord-bots och integrerar dessutom smidigt med Auto-GPT. Detta tillvägagångssätt säkerställer att även de som saknar omfattande kodkunskap kan utföra uppgifter som fullständigt autonom kodning, textgenerering, språköversättning och problemlösning.

LangChain är ett ramverk som broar stora språkmodeller (LLM) med olika verktyg och använder agenter, ofta uppfattade som ‘Bots’, för att bestämma och utföra specifika uppgifter genom att välja det lämpligaste verktyget. Dessa agenter integrerar smidigt med externa resurser, medan en vektordatabas i LangChain lagrar ostrukturerad data, vilket underlättar snabb informationsåtervinning för LLM.

BabyAGI

Sedan finns det BabyAGI, en förenklad men kraftfull agent. För att förstå BabyAGI:s förmågor, föreställ er en digital projektledare som autonomt skapar, organiserar och utför uppgifter med fokus på givna mål. Medan de flesta AI-drivna plattformar är begränsade av sin förtränade kunskap, skiljer sig BabyAGI för sin förmåga att anpassa sig och lära av erfarenheter. Den har en djup förmåga att uppfatta återkoppling och, likt människor, fatta beslut baserat på trial och error.

Noterbart är att den underliggande styrkan i BabyAGI inte bara är dess anpassningsförmåga utan också dess kompetens i att köra kod för specifika mål. Den utmärker sig i komplexa domäner som kryptohandels-, robot- och självkörande fordonsteknik, vilket gör den till ett mångsidigt verktyg i en mängd olika tillämpningar.

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

Processen kan delas in i tre agenter:

1. Utförandeagent: Hjärtat i systemet, denna agent utnyttjar OpenAIs API för uppgiftsbehandling. Givet ett mål och en uppgift, skickar den en prompt till OpenAIs API och hämtar uppgiftsresultat.
2. Uppgiftsskapande agent: Denna funktion skapar nya uppgifter baserat på tidigare resultat och nuvarande mål. En prompt skickas till OpenAIs API, som sedan returnerar potentiella uppgifter, organiserade som en lista med ordböcker.
3. Uppgiftsprioriteringsagent: Den slutliga fasen innebär att sekvensera uppgifterna baserat på prioritet. Denna agent använder OpenAIs API för att omordna uppgifter, säkerställande att de viktigaste uppgifterna utförs först.

I samarbete med OpenAIs språkmodell utnyttjar BabyAGI Pinecones förmågor för kontextcentrerad uppgiftsresultatlagring och återvinning.

Nedan visas en demonstration av BabyAGI med denna länk.

För att börja behöver du en giltig OpenAPI-nyckel. För enkel åtkomst har användargränssnittet en inställningssektion där OpenAPI-nyckeln kan anges. Om du vill hantera kostnader, kom ihåg att ställa in en gräns för antalet iterationer.

När jag hade konfigurerat applikationen gjorde jag ett litet experiment. Jag skickade en prompt till BabyAGI: “Skapa en koncis tweettråd som fokuserar på resan mot personlig tillväxt, berörande milstolpar, utmaningar och den transformerande kraften i kontinuerligt lärande.”

BabyAGI svarade med en välgenomtänkt plan. Det var inte bara en generisk mall utan en omfattande vägkarta som indikerade att den underliggande AI verkligen hade förstått nyanserna i begäran.

Deepnote AI Copilot

Deepnote AI Copilot omdefinierar dynamiken i datautforskning i anteckningsböcker. Men vad särskiljer det?

I dess kärna syftar Deepnote AI till att förbättra dataforskarnas arbetsflöde. Så fort du tillhandahåller en rudimentär instruktion, springer AI:n till aktion, utformar strategier, kör SQL-frågor, visualiserar data med Python och presenterar sina fynd på ett koncist sätt.

En av Deepnote AI:s styrkor är dess omfattande förståelse av din arbetsyta. Genom att förstå integreringsscheman och filsystem, anpassar den sina exekveringsplaner perfekt till den organisatoriska kontexten, säkerställande att dess insikter alltid är relevanta.

AI:s integration med anteckningsboksmedier skapar en unik återkopplingsloop. Den aktivt bedömer kodutmatningar, vilket gör den skicklig på självkorrektion och säkerställer att resultaten är konsekventa med uppsatta mål.

Deepnote AI särskiljer sig för sin transparenta drift, som erbjuder tydliga insikter i dess processer. Sammanflätningen av kod och utmatningar säkerställer att dess handlingar alltid är ansvariga och reproducerbara.

CAMEL

CAMEL är ett ramverk som syftar till att främja samarbete mellan AI-agenter, med målet att uppnå effektiv uppgiftsutförande med minimal mänsklig övervakning.

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

Det delar sin drift i två huvudsakliga agenttyper:

• AI-användaragenten lägger fram instruktioner.
• AI-assistentagenten utför uppgifter baserat på de tillhandahållna direktiven.

En av CAMELs aspirationer är att lösa de invecklade tankeprocesserna i AI, med målet att optimera synergier mellan flera agenter. Med funktioner som rollspel och inkubationspromptning, säkerställer den att AI-uppgifter anpassar sig smidigt till mänskliga mål.

Westworld Simulation: Liv i AI

Hämtad från inspirationer som Unity-programvara och anpassad i Python, Westworld-simulationen är ett steg in i simulerandet och optimerandet av miljöer där flera AI-agenter interagerar, nästan som en digital samhälle.

Generativa agenter

Dessa agenter är inte bara digitala entiteter. De simulerar trovärdiga mänskliga beteenden, från dagliga rutiner till komplexa sociala interaktioner. Deras arkitektur utvidgar en stor språkmodell för att lagra erfarenheter, reflektera över dem och använda dem för dynamisk beteendeplanering.

Westworlds interaktiva sandlådemiljö, som påminner om The Sims, bringar till liv en stad befolkad av generativa agenter. Här kan användare interagera, observera och guida dessa agenter genom deras dag, observera emergent beteende och komplexa sociala dynamiker.

Westworld-simulationen exemplifierar den harmoniska fusionen av beräkningskraft och mänskliga nyanser. Genom att förena stora språkmodeller med dynamiska agentsimulationer, kartlägger den en väg mot att skapa AI-upplevelser som är slående olikartade från verkligheten.

Slutsats