Mengapa kebanyakan agen hanyalah diagram alur yang disamarkan, dan apa yang harus dibangun alih-alihnya. Saya menulis sebagian besar ini di sebuah bandara beberapa bulan lalu, lalu saya meninggalkannya sebagai draft. Kebisingan hanya semakin meningkat sejak itu, maka inilah teksnya.
Beberapa bulan lalu, saat kembali dari workshop dengan klien, kami mendiskusii cakupan apa yang merupakan AI agéntik, dan masing-masing kami mengutip contoh dari pengalaman kita. Ada diskusi tentang mengapa otomatisasi tidak dapat menyelesaikannya dan bagaimana kebanyakan kasus penggunaan AI agéntik hanyalah otomatisasi yang dimakmumi. Pertanyaannya adalah: “Berikan saya satu kasus penggunaan nyata untuk agen.
Bukan demonstrasi. Bukan otomatisasi. Yang nyata.
Karena segala yang saya lihat sejauh ini, saya bisa membangunnya dengan mesin alur kerja dan pemanggilan model.” Kita semua telah terlibat dalam percakapan tentang AI agéntik selama beberapa bulan pada titik itu. Kami telah merancang sistem ini. Kami telah memitch-nya.
Dan masih saja, duduk di sana dengan secangkir teja dan dua puluh menit di tangan untuk dihabiskan, kami harus berpikir cukup lama untuk memberikan contoh yang bisa tahan selama tiga puluh detik under scrutinization. Hal ini cukup membuat saya terganggu untuk menuliskannya. Uji yang pertama kali saya pikirkan adalah instink saya — mendefinisikan AI agéntik berdasarkan bentuk pekerjaan.
Apakah tugas tersebut mengharuskan sistem membuat keputusan selama eksekusi yang tidak dapat diprediksi dari awal? Jika ya, maka itu adalah agen. Jika tidak, maka itu adalah otomatisasi. Saya memikirkan contoh dari pemeliharaan penerbangan, karena saya telah menghabiskan enam bulan terakhir di sana.
Pesawat A320 mendarat dengan peringatan ECAM, KELAINAN PAKAI UDARA 1. Apa yang dilakukan oleh otomatisasi: memicu daftar periksa, memberitahu teknisi tugas, mungkin mengambil referensi MEL. Selesai.
Apa yang dilakukan oleh pembelajaran mesin tradisional: memprediksi probabilitas kegagalan komponen dari pola kegagalan historis, menghasilkan skor kepercayaan. Teknisi masih tetap memutuskan. Apa yang saya pikir akan dilakukan oleh agen: ia dimulai dengan pesan ECAM (pesan dalam sistem kabin pesawat), mengkueri CFDS (sistem tampilan kesalahan terpusat) untuk riwayat kesalahan dan menemukan bahwa Paket 1 telah menghasilkan kesalahan yang sama tiga kali dalam enam pekan.
Ini mengubah situasi, sehingga ia menarik TSM (manual pemecahan masalah) dan mengidentifikasi empat penyebab akar kandidat. Kemudian ia memeriksa AMOS (basis data yang digunakan di penerbangan di seluruh dunia) untuk ketersediaan bagian dan menemukan bahwa dua dari empat tersebut memerlukan klep kontrol aliran, yang tidak tersedia di stasiun tersebut. Kemudian ia memeriksa penyebab mana yang dapat ditangguhkan sesuai MEL (daftar peralatan minimum, minimum yang diperlukan pesawat untuk layak terbang), menemukan bahwa satu di antaranya dapat ditangguhkan dalam Kategori C (salah satu dari banyak kategori) selama sepuluh hari, melihat sepuluh rotasi berikutnya pesawat untuk memahami biaya operasional dari penangguhan, dan menyusun rekomendasi: ditangguhkan dalam Kategori C, memesan klep kontrol aliran (FCV) untuk tiba sebelum hari kedelapan, dan menandai untuk pemeriksaan mendalam di slot pemeliharaan basis berikutnya.
Tidak ada yang memrogramkan pohon keputusan ini sebelumnya. Rencana muncul dari proses, bukan mendahului saya. Saya masih belum yakin dengan diri sendiri.
Dan setelah merenung, saya yakin saya benar. Mengapa contoh ini gagal Karena Anda dapat menggambar diagram alur tersebut. CFDS, lalu TSM, lalu AMOS, lalu MEL, lalu rotasi.
Ini adalah diagram alur yang kompleks dengan cabang, tetapi seorang teknisi kompeten bisa telah menentukannya sebelumnya. Kompleksitas tidak sama dengan keterbukaan. Sebuah pohon dengan dua ratus cabang masih tetap menjadi pohon.
Ini adalah kesalahan yang dilakukan oleh hampir setiap dek pitch AI agéntik, termasuk milik saya. Kami menunjukkan sesuatu yang kompleks dan berharap kompleksitas itu secara jelas menunjukkan agéntik. Itu tidak benar.
Kompleksitas hanyalah diagram alur yang lebih besar, dan diagram alur sudah memiliki teknologi, dan ia lebih murah, lebih cepat, dan jauh lebih andal daripada setiap LLM yang Anda tempatkan di slot itu. Maka, di mana sebenarnya garisnya? Tidak diketahui yang diketahui versus tidak diketahui yang tidak diketahui Di sini adalah perbedaan yang saya tetapkan, dan ia lebih sempit daripada kebanyakan orang di pasar ini yang mau mengakui. Otomasi menangani tidak diketahui yang diketahui.
Anda tidak tahu apakah bagian ada di stok, tetapi Anda tahu bahwa stok adalah sesuatu yang perlu Anda periksa. Agen menangani tidak diketahui yang tidak diketahui. Anda tidak tahu apa yang perlu Anda periksa, dan Anda hanya akan mengetahuinya dengan melihat.
Ambil u...
Sumber: Towards Data Science · Diringkas oleh HeadlinesBriefing