Wat zijn Large Action Models (LAM's)?

Ik geloof dat Large Action Models (LAM's) zorgen voor een even grote verschuiving in de ontwikkeling van AI als alles wat we in het voorgaande decennium hebben gezien. Net zoals LLMs het mogelijk hebben gemaakt om het genereren van tekst te automatiseren, en, in hun multimodale vorm, een breed scala aan media, kunnen LAM's binnenkort zorgen voor de automatisering van hele processen. En omdat ze van nature vloeiend taalvaardig zijn, zullen ze slim omgaan met de wereld; communiceren met mensen, zich aanpassen als de omstandigheden veranderen en zelfs interactie hebben met andere LAM's.

De afgelopen maanden is er een krachtige nieuwe trend ontstaan waarin grote taalmodellen worden uitgebreid tot 'agents'; software-entiteiten die in staat zijn om zelfstandig taken uit te voeren, uiteindelijk in dienst van een doel, in plaats van simpelweg te reageren op vragen van menselijke gebruikers. Het lijkt misschien een simpele verandering, maar het opent een heel universum van nieuwe mogelijkheden. Door de taalvaardigheid van een LLM te combineren met het vermogen om zelfstandig taken uit te voeren en beslissingen te nemen, wordt generatieve AI verheven van een passief hulpmiddel, hoe krachtig ook, tot een actieve partner om werk in realtime gedaan te krijgen. Hier bij Salesforce AI is het potentieel van dergelijke krachtige agents al geruime tijd een onderwerp van actief onderzoek en ontwikkeling.

Simpel gezegd is een groot actiemodel (LAM) een soort generatieve AI die specifieke acties kan uitvoeren op basis van zoekopdrachten van gebruikers. Deze modellen analyseren niet alleen gegevens, maar zijn ook ontworpen om actie te ondernemen op basis van de bevindingen. Beschouw ze als het neefje van een large language model (LLM). Een LLM kan tekst genereren als reactie op een vraag, terwijl een LAM actie onderneemt , zoals het helpen van een klant bij het verwerken van een retourzending.

Ik geloof dat een belangrijk mandaat van AI het nastreven is van automatisering die de menselijke capaciteiten vergroot, in plaats van te proberen ze te vervangen. Met dat in gedachten moeten LAM's zich richten op het overnemen van repetitieve taken en andere drukke werkzaamheden; het soort dingen die de meesten van ons überhaupt niet willen doen, en die de zinvolle, hoogwaardige werkzaamheden in de weg staan waar we het beste in zijn. Laten we het dus hebben over het ongelooflijke potentieel dat LAM's op twee niveaus beloven: voor individuen en voor organisaties. Laten we ons daarbij eens voorstellen hoe LAM's vandaag de dag kunnen worden toegepast en hoe hun rol in ons werk en leven de komende jaren zou kunnen evolueren.

Persoonlijke assistenten zijn al generaties lang een luxe die is voorbehouden aan de rijken, hoewel de technische industrie ook al tientallen jaren virtuele alternatieven voor de massa belooft. LAM's, met hun verbazingwekkende vloeiendheid en vermogen om op natuurlijke wijze te generaliseren over vrijwel alle domeinen van het leven, zouden wel eens het keerpunt kunnen zijn waar we op hebben gewacht; een technologie die ons echt kan ondersteunen, met veel van de vooruitziendheid en scherpzinnigheid die we van een menselijke collega zouden verwachten. Denk eens na over het volgende:

Er is de laatste tijd veel te doen over de impact van LLM's op marketingworkflows, waarbij hun vermogen om teksten, afbeeldingen en zelfs weblay-outs te genereren wordt gezien als een stapsgewijze verandering voor de praktijk. In de werkelijkheid is het beeld echter ingewikkelder, omdat er veel handmatige inspanning nodig is om de output van een LLM te integreren in het volledige proces van bijvoorbeeld het bedenken van een nieuwe campagne en het uitrollen van de resultaten. Momenteel automatiseert zelfs de beste generatieve AI alleen echt selectieve delen van dat proces.

We stellen ons echter voor dat AI-agents voor marketing een bredere, meer LAM-achtige benadering zullen hanteren voor het leveren van resultaten voor marketingteams, door een LLM-interface te gebruiken om data, tools en domeinspecifieke agents met elkaar te verbinden bij het voltooien van een taak op hoog niveau. Stel je bijvoorbeeld dit verzoek voor:

"Stuur een marketing-e-mail om de waarde van onze nieuwe Choco Chocolate te benadrukken. Geef de eerste 100 mensen die een aankoop doen, een kortingscode voor gratis verzending. Zorg ervoor dat elke ontvanger een gepersonaliseerd bericht krijgt."

Op zichzelf zou een LLM het moeilijk vinden deze taak te volbrengen. Maar een hele groep tools, agents en databronnen, zoals toegang tot eerder marketingmateriaal, klantgegevens waar de organisatie voor heeft gekozen om te delen met de LAM, en natuurlijk LLM's zelf, zou met gemak de tekst ("Stuur een marketing-e-mail") kunnen genereren, putten uit documentatie die de nieuwste productontwikkelingen benadrukt ("de waarde van onze nieuwe Choco Chocolate"), de logica van het verzoek opsplitsen ("Geef een kortingscode aan de eerste 100 mensen die een aankoop doen") en klantspecifieke details afhandelen ("Zorg ervoor elke ontvanger een gepersonaliseerd bericht krijgt").

Maar persoonlijke assistenten zijn bedoeld om je hele leven te helpen, niet alleen op het werk. Laten we ons daarom eens voorstellen hoe ze kunnen helpen bij een belangrijke maar persoonlijke aankoopbeslissing, zoals een auto. Voor velen kan het kopen van een auto meer gedoe dan plezier opleveren, en met name de onderzoeksfase kan overweldigend zijn. Maar met een LAM kost het niet meer dan een prompt zoals de volgende:

Ik ben op zoek naar een sedan met een goede veiligheidsclassificatie en veel ruimte, bij voorkeur in een donkere kleur. Niet ouder dan 2014, maar niet duurder dan $ 28.000. En kilometerstand onder de 90.000.

De eerste stap, voor zowel een mens als een LAM, zou het scannen van websites voor het kopen van auto's zijn om een eerste lijst met opties samen te stellen. De krachtige tekstbegripsmogelijkheden van een LLM stellen de agent in staat om enorme hoeveelheden autorecensies van zowel professionele als door gebruikers gegenereerde bronnen te verwerken, waardoor snel kandidaten worden geïdentificeerd die voldoen aan de parameters van de gebruiker. Bovendien kan de LAM alarmsignalen opmerken, bijvoorbeeld dat een bepaald bouwjaar van een anderszins geschikt automodel ongunstig is vanwege defecte transmissies of elektrische problemen, en dat dit exemplaar wordt opgemerkt en van de lijst wordt verwijderd (of op zijn minst wordt gewaarmerkt met een disclaimer).

Als volgende stap zou de LAM zelfs contact kunnen zoeken met particuliere verkopers en lokale dealers, met behulp van kanalen zoals e-mail of zelfs sms. Hoewel een goede LAM waarschijnlijk zou vermelden dat het een AI is, zodat mensen nooit worden misleid, zou het nog steeds communiceren in duidelijke, vloeiende, natuurlijke taal, met begroetingen, volledige zinnen en een duidelijk verzoek of verklaring in elk bericht. De bank van de gebruiker kan zelfs op de hoogte worden gebracht, om hen te laten weten dat er een lening moet worden opgesteld. Wanneer het gesprek dichter bij het besluitvormingsmoment komt, kan de gebruiker worden betrokken in het proces voor definitieve goedkeuring.

Uiteindelijk zet Salesforce AI zich in om de kracht van technologie te gebruiken om de manier waarop bedrijven werken op elke schaal te verbeteren, en LAM's zijn een goed voorbeeld van hoe dat er de komende jaren uit zou kunnen zien. Ik ben ervan overtuigd dat deze visie elk aspect van de bedrijfsvoering zal bereiken, van de backoffice tot de frontlinies van marketing, inclusief toepassingen die we ons nog niet eens kunnen voorstellen. Maar er is waarschijnlijk geen beter voorbeeld dan interactie met klanten.

Denk bijvoorbeeld aan een medewerker bij een verzekeringsmaatschappij. Een groot deel van de dag van die agent bestaat uit het ontmoeten van klanten, zowel bestaande als potentiële, om hun behoeften te bespreken en de relatie te ontwikkelen. De kern van dit proces is de menselijke touch die alleen een medewerker van vlees en bloed kan bieden, maar het wordt omringd door repetitieve taken die een LAM aanzienlijk zou kunnen versnellen. Kijk bijvoorbeeld eens naar de volgende stroom, van de ene stap naar de andere ondersteund en versterkt door generatieve AI:

• De medewerker heeft een gesprek met een klant via Zoom over zijn behoeften, ideeën en mogelijke volgende stappen.
• Een transcriptie van het gesprek wordt automatisch opgenomen en opgeslagen met andere relevante CRM-gegevens.
• Na het gesprek bekijkt de LAM het transcript, vat de belangrijkste momenten samen en stuurt het resultaat naar de medewerker om later gemakkelijk opnieuw te kunnen inzien.
• Daarnaast zal de LAM de volgende stappen bepalen die de moeite waard zijn, zoals het verstrekken van aanvullende informatie die tijdens het gesprek wordt vermeld. Dit begrip wordt gebruikt om automatisch een vervolgmail op te stellen, gevolgd door een zoektocht in de literatuur van het bedrijf naar relevante documenten die als bijlagen kunnen worden bijgevoegd. De medewerker wordt vervolgens op de hoogte gebracht dat de volgende stappen klaar zijn om te worden uitgevoerd, zodat deze de kans krijgt voor een snelle laatste controle en de definitieve bevestiging.
• Doordat de LAM begrip heeft in de kantoorprocessen, kan het tenslotte verdere stappen voorstellen om de medewerker productief en gefocust te houden. Of het nu gaat om een upsell-mogelijkheid op basis van een eerdere beslissing van de klant of gewoon een volgende meeting met een automatisch voorgestelde agenda om het gesprek gaande te houden.
• Ondertussen kan de LAM letten op tekenen dat andere belanghebbenden mogelijk op de hoogte moeten worden gebracht. Een klant die tekenen van frustratie of aarzeling vertoont, kan bijvoorbeeld worden beschouwd als een 'risicovol' account en worden doorverwezen naar een klantenservicespecialist die zich specifiek richt op het behouden van tevredenheid.

Ik denk dat dit een overtuigende kijk is op individuele empowerment, maar de echte transformatie is te danken aan de schaalbaarheid van LAM's. Stel je voor dat een heel bedrijf zijn personeel beschikking geeft over tools met een dergelijke verfijning, en hoeveel tijd en kosten er in totaal zouden kunnen worden bespaard. Om nog maar te zwijgen van de manier waarop LAM-suggesties kunnen helpen fouten te voorkomen, succesvolle strategieën aan te bevelen en meer. Dit is een technologie die echt waarde kan leveren op elk niveau van implementatie.

Tot nu toe hebben we het gehad over LAM's die individuele gebruikers bedienen, maar er zijn veel meer vormen die deze technologie waarschijnlijk zal aannemen. Het is net zo gemakkelijk om je voor te stellen dat LAM's groepen of zelfs hele organisaties bedienen. En hoewel alle LAM's zullen profiteren van hun flexibiliteit, verwacht ik een breed scala aan mogelijkheden, van zeer algemeen (zoals de hierboven beschreven 'executive assistant'-concepten) tot zeer op maat gemaakte, domeinspecifieke agents die nicheproblemen aanpakken. En veel LAM's, uiteindelijk allemaal, zullen worden ontworpen om te leren van hun ervaringen, of het nu gaat om het vergaren van steeds meer expertise in het oplossen van een organisatorisch probleem, of het steeds verder personaliseren van de behoeften en voorkeuren van individuele gebruikers.

En wie zegt dat LAM's individueel zullen opereren? Je kunt je net zo goed voorstellen dat meerdere LAM's samenwerken, elk geoptimaliseerd voor een andere reeks doelen, met een andere LAM die zich toelegt op de taak om hun inspanningen in goede banen te leiden en te communiceren met zijn gebruiker of gebruikers, of het nu een individu, een team of zelfs een hele organisatie is. Met andere woorden: het zou een upgrade zijn van een enkele persoonlijke assistent naar een heel team, allemaal verenigd door een "teamleider" die rapporteert aan de verantwoordelijke persoon.

De mogelijkheden worden nog interessanter als we kijken naar LAM's die zijn gemaakt met als enig doel interactie met andere LAM's of teams van LAM's. Stel je bijvoorbeeld een agent voor die wordt ingezet door een van de autodealers in het bovenstaande voorbeeld die gespecialiseerd is in het afhandelen van inkomende verzoeken van de persoonlijke LAM's die potentiële klanten vertegenwoordigen, of itereert met de LAM's die de autofabrikanten zelf vertegenwoordigen. Ze zouden de transparantie en algemene toepassing behouden die alle LAM's zo waardevol maakt, vooral bij het achteraf evalueren van hun gedrag, maar werken met de veel hogere snelheden en efficiëntie die machine-to-machine-communicatie mogelijk maakt.

Hoewel er veel technische hindernissen in het verschiet liggen om de volledige kracht van LAM's te benutten, is de kernuitdaging eenvoudig te verwoorden: de wereld is geen statische plek, en elke agent die ermee moet communiceren, moet flexibel genoeg zijn om zich flexibel aan te passen aan veranderende omstandigheden. In het geval van ons voorbeeld van het kopen van een auto, betekent dit dat we leads in de gaten moeten houden en moeten beseffen wanneer een gewenste auto is verkocht voordat de gebruiker de kans heeft gehad om een bod uit te brengen, of zelfs de suggesties bijwerken in het geval dat er een terugroepactie wordt uitgevaardigd te midden van het onderzoeksproces. In het geval van ons voorbeeld van het verzekeringskantoor, zal een bewustzijn van actuele gebeurtenissen, vooral die lokaal voor de klant van toepassing zijn, essentieel zijn om nuttige en actuele informatie te verstrekken, van veranderingen in de regelgeving in de sector tot extreme weersomstandigheden.

In alle gevallen zal een goede LAM zichzelf definiëren door te begrijpen wanneer de menselijke gebruiker op de hoogte moet worden gesteld of om opheldering moet worden gevraagd. Als je dat te vaak doet, is dat vervelend en storend, en kan het zelfs de voordelen van een LAM teniet doen. Maar als je het te weinig doet, is het vrijwel gegarandeerd dat potentieel ernstige, ongewenste bijwerkingen de kop opsteken, zoals het verwijderen van een belangrijke e-mail tot het aanvragen van een ongewenste lening bij de eigen bank van de gebruiker. Net als een goede persoonlijke assistent heeft een LAM goede instincten nodig om de juiste balans te vinden.

Het betekent ook dat je een van de krachtigste functies van LAM's moet aanboren, namelijk hun vermogen om te leren. Naarmate LAM's worden blootgesteld aan steeds meer praktijkervaring door met ons samen te werken, kan menselijke feedback worden gebruikt om hun gedrag verder te verfijnen. Bovendien kunnen LAM's waardevolle interpretaties van stromen en processen extraheren door zich te verdiepen in data, van transcripties van klantenservice tot gebeurtenislogs, en de ideale stappen samen te voegen die een bepaald startpunt verbinden met het meest wenselijke resultaat.

Voor alle duidelijkheid: de taak van een LAM is niet alleen het omzetten van een verzoek in een reeks stappen, maar ook het begrijpen van de logica die hen verbindt en omringt. Dat betekent dat ze moeten begrijpen waarom de ene stap voor of na de andere moet plaatsvinden, en weten wanneer het tijd is om het plan te wijzigen om tegemoet te komen aan veranderingen in de omstandigheden. Het is een vermogen dat we in het dagelijks leven voortdurend toepassen. Als we bijvoorbeeld niet genoeg eieren hebben om een omelet te maken, weten we dat de eerste stap niets te maken heeft met koken, maar met naar de dichtstbijzijnde supermarkt gaan. Het wordt tijd dat we technologie bouwen die hetzelfde kan doen.

LAM's zullen ongetwijfeld bijzonder goed worden in de vloeiendheid en communicatie die veel van bovenstaande voorbeelden zouden vereisen. Maar het is nog steeds niet vanzelfsprekend dat ze kunnen worden vertrouwd om zich op voorspelbare, effectieve manieren te gedragen met de consistentie die nodig is voor regelmatig gebruik in de echte wereld.

Aangezien het genereren van tekst en afbeeldingen al moeilijk aan LAM's kan worden toevertrouwd, is dat nog lastiger als het gaat om het ondernemen van actie. En de last om veiligheid en betrouwbaarheid te waarborgen neemt alleen maar toe wanneer meerdere LAM's samenwerken. Om deze reden geloof ik dat het essentieel is dat LAM's, zelfs in hun meest onafhankelijke vorm, de betrokkenheid van mensen in het proces nodig hebben voordat kritieke acties worden ondernomen. Hoe geavanceerd deze technologie ook wordt, ik zie het als een hulpmiddel - zij het een bijzonder slim hulpmiddel - dat mensen altijd vrij kunnen besturen zoals zij dat willen.

Na een decennium van AI-ontwikkelingen die ronduit historisch zijn geweest, zegt het iets over het potentieel van LAM's waarvan veel onderzoekers het gevoel hebben dat de grootste transformaties nog maar net in zicht komen. Met de juiste begeleiding en een toewijding aan menselijke empowerment, geloof ik dat LAM's een nieuw tijdperk van productiviteit, gemak en duidelijkheid kunnen inluiden, waardoor we beter worden in de taken die we het meest boeiend vinden, en andere taken kunnen uitbesteden. En met zijn decennialange geschiedenis in de bedrijfswereld, kan ik me geen betere plek voorstellen om deze visie na te streven dan Salesforce.

Speciale dank aan Alex Michael, Peter Schwartz en het Salesforce Futures-team voor hun bijdragen aan het schrijven van dit stuk.