AI-agent: Så fungerar agentisk intelligens

AI-agent: vad är agentisk intelligens?

En AI-agent är ett system som kan uppfatta sin omgivning, agera autonomt för att uppnå mål och förbättra sin prestanda genom maskininlärning. I stället för att bara svara på en prompt kan en agent ta emot ett mål, utföra flera steg i sekvens och återkoppla till sig själv under vägen. Detta kallas agentisk intelligens.

Agentfunktionen: hur AI:n fattar beslut

En agents beteende kan beskrivas matematiskt genom en agentfunktion. Funktionen mappar alla upplevelser som agenten har samlat in (percept) till en specifik handling. Vilka handlingar som är bra eller dåliga styrs av en målfunktion. Inom maskininlärning kallas den ofta förlustfunktion, inom förstärkningsinlärning belöningsfunktion.

Fem typer av intelligenta agenter

Enligt standardverket Artificial Intelligence: A Modern Approach av Stuart Russell och Peter Norvig klassificeras intelligenta agenter i fem huvudkategorier:

Enkla reflexagenter agerar uteslutande på det de uppfattar i stunden genom enkla om-så-regler, utan att ta hänsyn till historiken. En termostat är ett exempel.

Modellbaserade reflexagenter har ett inre minne och en modell av hur världen fungerar. Detta gör att de kan hantera miljöer som de för tillfället inte kan se i sin helhet.

Målbaserade agenter har information om ett framtida måltillstånd och kan planera flera steg framåt för att nå dit. Robotdammsugare är ofta målbaserade.

Nyttobaserade agenter utvärderar hur bra ett specifikt tillstånd är med hjälp av en nyttofunktion. De väljer den handling som maximerar den förväntade nyttan – inte bara att nå fram, utan att göra det snabbt och säkert.

Lärande agenter kan operera i helt okända miljöer. De utvärderar sina egna resultat via en kritiker-komponent och justerar sitt framtida beteende därefter.

Generativ AI gav upphov till AI-agenter

Med framväxten av stora språkmodeller under 2020-talet har begreppet AI-agent fått en delvis ny och mycket populär innebörd. Sådana agenter utmärks av att de kan fungera autonomt i komplexa digitala miljöer. Istället för att bara generera text utifrån en prompt kan de bryta ner stora mål i delmål, skriva och exekvera egen kod, surfa på nätet och använda externa programvaror.

Praktiska exempel finns redan idag. Experimentella verktyg som AutoGPT kan bryta ner stora mål i deluppgifter, skriva kod och surfa på nätet. Kodningsassistenter som Devin erbjuder autonom programvaruutveckling. Företaget Waymo har utvecklat en agentmiljö kallad Carcraft för att simulera trafiksituationer och träna självkörande bilar.

AI-agenter i affärsverksamheten

Mjukvaruföretag lanserar plattformar där agenter autonomt kan sköta kundtjänstärenden, boka resor eller hantera administrativt arbete inom vården. Detta automatiserar rutiner och frigör människor för mer strukturerat arbete.

Drift och autonomi

I ingenjörspraxis skiljer man mellan fördefinierade LLM-processer, där verktyg anropas längs fasta flöden, och agenter som själva väljer sekvensen av åtgärder och vilka verktyg som ska användas. På grund av flerstegsarbete, tillståndsändringar och anpassning utifrån mellanliggande resultat är sådana system svårare att utvärdera.

Observerbarheten för agentbaserade system är uppbyggd kring spår som registrerar anrop av modeller, verktyg, datasökningar och genereringar tillsammans med fördröjningar och tokenförbrukning. För att bedöma kvaliteten läggs expertannoteringar, användarfeedback och automatiska LLM-utvärderare till spåren. Enskilda körsteg representeras som inbäddade spans som bildar en hierarki för en körning.

Utvärdering av AI-agenter

Utvärdering av AI-agenter är mer komplex än utvärdering av traditionell AI. Eftersom agenter agerar över flera steg och anpassar sig utifrån mellanliggande resultat måste de utvärderas både online på aktiva spår och offline på testuppsättningar och experiment. Detta hjälper till att upptäcka regressioner innan ändringar släpps.

I drift övervakas inte bara fel och fördröjningar utan även kostnader, verktygsanvändning, agenternas versioner och kvalitetsmått. Modellanrop kan sparas som separata genereringar med ingångar, utgångar, tokens och tidsstämplar, och relaterade genereringar kan grupperas till konversationer. Observerbarhet är bredare än spårning: den förenar spår, metrik och loggar.

Att komma igång med AI-agenter

Om du vill testa agentisk AI kan du börja med ett ramverk som stöder flerstegsplanering och verktygsanvändning. Definiera klara mål, implementera spårning och testa regelbundet mot dina förväntningar. Kom ihåg att mer autonomi innebär mer ansvar – både för resultatet och för att kunna förklara beslut i kund- eller regulatoriska sammanhang.