AI-agents: een complete gids

Grote taalmodellen (LLM's) zijn de motoren die AI aandrijven, waardoor mensen eenvoudige vragen kunnen stellen en eenvoudige antwoorden kunnen krijgen. Maar wat als je meer moet doen dan dat? Dat is waar LLM-agents zich van hun beste kant kunnen laten zien. Er zijn een paar soorten LLM-agents, maar ze verwerken allemaal complexere query's die geheugen, sequentieel redeneren en het gebruik van meerdere tools vereisen.

LLM's kunnen op dit moment meer dan een biljoen parameters aan . En de vraag naar agentgestuurde digitale arbeid zal blijven groeien naarmate bedrijven hun gebruik van generatieve AI willen uitbreiden.

We leggen uit hoe verschillende soorten LLM-agents werken, wat ze kunnen doen, welke componenten ze nodig hebben, uitdagingen die ze met zich meebrengen en hoe bedrijven deze tools nu en in de toekomst gebruiken.

Wat we zullen bespreken:

• Wat zijn LLM-agents?
• Wat kunnen LLM-agents doen?
• Soorten LLM-agents en wat ze kunnen doen
• Componenten van een LLM-agent
• Hoe bedrijven verschillende soorten LLM-agents gebruiken
• Mogelijke uitdagingen van LLM-agents
• De toekomst van LLM-agents
• Toonaangevend met LLM's

LLM's zijn kunstmatige intelligentie (AI)-systemen die een combinatie van geheugen, planning en sequentieel redeneren gebruiken om diepgaande antwoorden op vragen van gebruikers te genereren op een manier die vergelijkbaar is met hoe een mens zou reageren. Een voorbeeld:

Gebruiker 1 vraagt de interne chatbot van zijn bedrijf, die is getraind met behulp van een LLM, om de salarisstatistieken van het afgelopen jaar op te halen. De chatbot volgt een vaststaand proces om de relevante databases te doorzoeken en de specifieke dataset terug te sturen.

Gebruiker 2 heeft echter een meer diepgaande vraag. Ze wil weten hoe nieuwe federale en staatswetten van invloed kunnen zijn op het beleid op basis van de loongegevens van vorig jaar. In dit geval schiet de chatbot tekort. Hoewel het data over salarisadministratie en informatie over nieuwe wetten kan ophalen, kan het deze niet combineren tot een zinvol antwoord, maar LLM-agents kunnen dit wel.

Met behulp van een combinatie van machine learning (ML) en natuurlijke taalverwerking (NLP) kunnen LLM-agents complexe vragen begrijpen en beantwoorden. Deze kenmerken onderscheiden agents van traditionele retrieval-augmented generation- modellen (RAG), die data uit interne bronnen halen om eenvoudige vragen te beantwoorden.

LLM-agents kunnen rede en logica toepassen om vragen te beantwoorden. In plaats van een vraag zomaar aan te nemen, kunnen agents vragen opsplitsen in kleinere delen om antwoorden te vinden. Vervolgens gebruiken ze hun geheugen van de oorspronkelijke vraag om antwoorden te combineren en een nauwkeurig resultaat te produceren. Hierdoor kunnen AI-agents diepgaande vragen beantwoorden op basis van meerdere datasets, samenvattingen maken van tekst, code schrijven of plannen genereren.

LLM-agents kunnen hun output in de loop van de tijd verbeteren door eerdere interacties te analyseren en ervan te leren. In feite kunnen agents zelf reflecteren op hun gedrag, het succes van dit gedrag bepalen en veranderingen aanbrengen die de output verbeteren.

Om elke taak te verbeteren, gebruiken LLM-agents tools zoals online zoekopdrachten of codetesters om de nauwkeurigheid te verifiëren en de responstijden te verkorten. Door antwoorden voortdurend te evalueren aan de hand van nieuwe en historische gegevens, kunnen agents deze fouten identificeren en corrigeren.

Agents kunnen ook gelijktijdig werken. De ene agent kan bijvoorbeeld de taak op zich nemen om informatie op te halen en antwoorden te genereren, terwijl een andere de output op juistheid evalueert. Een derde kan de prestaties van beiden beoordelen en verbeteringen voorstellen. Deze agents combineren vervolgens hun data om één relevant resultaat te produceren.

Je kunt LLM-agents configureren om meerdere rollen te vervullen, maar de verschillende typen agents sluiten elkaar niet uit. Eén agent kan meerdere functies tegelijk of achter elkaar uitvoeren.

Veel voorkomende soorten LLM-agents zijn onder meer:

• Taakspecifieke LLM-agents: Deze agents zijn ontworpen om nauw gedefinieerde bewerkingen uit te voeren, zoals het controleren van de orderstatus van een klant of het bijwerken van hun verzendinformatie. Doorgaans putten taakspecifieke agents uit een kleinere datapool, zoals die worden aangeboden door kleine taalmodellen (SLM's).
• Conversationele LLM-agents: Conversationele AI-agents kunnen communiceren met eindgebruikers zoals personeel of klanten en antwoorden geven op veelgestelde vragen. Het verschil tussen deze AI-agents en hun chatbot-tegenhangers is dat deze agents in de loop van de tijd leren, waardoor ze natuurlijkere antwoorden op vragen van gebruikers kunnen produceren.
• Beslissingsondersteunende LLM-agents: Beslissingsondersteunende agents halen inzichten uit datasets of bieden grootschalige datasamenvattingen om de besluitvorming te verbeteren. De Chief Security Information Officer van een bedrijf kan bijvoorbeeld een beslissingsondersteunende LLM gebruiken om de impact van alle cyberbeveiligingsaanvallen over een bepaalde periode te evalueren en samen te vatten.
• LLM-agents voor workflowautomatisering: LLM-agents voorworkflowautomatisering automatiseren workflows met meerdere stappen. Autonome agents worden voorzien van de benodigde systeemgegevens, functionele specificaties en historische workflowprestaties om een operationele basislijn te creëren. Van daaruit voeren agents de toegewezen taak uit en blijven in de loop van de tijd verbeteren.
• LLM-agents voor het ophalen van informatie: Dit soort LLM-agents gebruiken RAG-methoden om data uit elk systeem te vinden en op te halen. Hierbij is het ophalen van data relatief eenvoudig. Agents blinken uit in hun vermogen om relevante data te identificeren en vast te leggen en externe informatie te negeren.
• Samenwerkende LLM-agents: Samenwerkende agents werken naast of tegelijk met andere agents. Deze agents werken in feite parallel, waardoor de responstijden kunnen worden verkort zonder in te leveren op nauwkeurigheid.
• Adaptief lerende LLM-agents: Adaptieve agents gebruiken historische gegevens om toekomstige prestaties te verbeteren. Agents evalueren resultaten uit het verleden en vergelijken deze met ideale resultaten om nieuwe strategieën te ontwikkelen.

Het bouwen van een AI-agent met LLM-mogelijkheden vereist een groot taalmodel. Deze LLM genereert en interpreteert tekst in natuurlijke taal en aanvullende componenten zoals promptengineering, geheugenmodules of retrievalsystemen om het contextuele begrip en de functionaliteit te verbeteren. Voor alle soorten LLM-middelen bestaan de drie componenten op hoog niveau uit hersenen, geheugen en planning.

Het brein van een agent is een taalmodel dat vragen van gebruikers kan begrijpen en erop kan reageren. Agents gebruiken prompts (vragen of verklaringen van gebruikers) om hun besluitvormings- en antwoordprocessen te begeleiden. Met behulp van oplossingen zoals Agentforce kunnen deze hersenen worden aangepast met kaders die zijn ontworpen voor specifieke situaties, zoals het afhandelen van financiële, HR- of cyberbeveiligingstaken.

Geheugen helpt agents hun eerdere acties te herinneren om hun volgende output te verbeteren. Dit kan verder worden onderverdeeld in drie soorten:

• Korte termijn: Kortetermijngeheugen bij agents is van toepassing op het huidige gesprek of de huidige taak. Het is een overzicht van gebruikersprompts en alle acties die tot nu toe door de agent zijn ondernomen.
• Lange termijn: Langetermijngeheugen is een opslagplaats van data uit eerdere gesprekken of prompts die weken of maanden kunnen beslaan. Dit geheugen biedt context voor huidige taken en kan door agents worden beoordeeld om mogelijke fouten en verbeterpunten te identificeren.
• Hybride: Hybride geheugen combineert korte- en langetermijngeheugen om de reacties van agents op het moment zelf te verbeteren door situationeel bewustzijn te behouden en dynamisch gebruik te maken van relevante informatie.

Planningsmodules verbeteren de respons door complexe taken op te splitsen in kleinere delen:

• Formulering van het plan (met en zonder feedback): Het opstellen van een plan is de eerste stap. Agents splitsen taken op in subtaken en voeren ze vervolgens uit. Plannen kunnen worden gemaakt en uitgevoerd met of zonder feedback. Zonder feedback worden plannen ontwikkeld en uitgevoerd door agents zonder menselijk toezicht. Met feedback evalueren mensen die betrokken zijn in het proces de plannen en doen ze aanbevelingen voordat plannen worden uitgevoerd.
• Planreflectie: Reflectie van het plan vindt plaats nadat de plannen zijn uitgevoerd. Met behulp van een combinatie van interne beoordelingstools en externe menselijke feedback helpt planreflectie bij het vaststellen van verbeterpunten.

In de praktijk werken deze componenten samen als een vereenvoudigd menselijk brein. Agentische hersenen nemen vragen van gebruikers op en interpreteren ze. Het kortetermijngeheugen wordt gebruikt om inzicht te krijgen in de huidige taak, terwijl het langetermijngeheugen context biedt. Planning splitst complexe taken op in subtaken, die vervolgens worden voltooid om het probleem op te lossen en een antwoord te geven.

Reflectie van het plan helpt het risico op toekomstige fouten te verkleinen door hen in staat te stellen hun output kritisch te evalueren, mogelijke fouten te identificeren en de nauwkeurigheid en samenhang van hun plannen te verbeteren.

Er zijn meerdere manieren om dit soort LLM-agents te gebruiken, waaronder:

• Sales: Met sales-AI kunnen agents worden gebruikt om potentiële klanten te bereiken en productinformatie te verstrekken, meetings met een verkoper op te zetten of speciale prijzen en promoties aan te bieden.
• Klantenservice: Servicegebaseerde AI-agents kunnen vragen van klanten beantwoorden, technisch advies geven over het oplossen van problemen of vragen escaleren naar menselijke medewerkers.
• Commerce: Door AI te gebruiken voor commerce, maken agents on-demand orderstatus en tracking, orderwijzigingen en hulp bij retourzendingen of terugbetalingen mogelijk.
• Marketing: Met hun vermogen om complexe prompts te verwerken, kunnen LLM-agents marketing-AI gebruiken om doelgroepen te identificeren en marketingcampagnes te creëren die zijn gepersonaliseerd voor verschillende segmenten, op basis van campagneprestaties in het verleden.

Hoewel de voordelen van AI en LLM's aanzienlijk zijn, kun je nog steeds voor enkele uitdagingen komen te staan met verschillende soorten LLM-agents. Een aantal veelvoorkomende problemen zijn:

Als LLM-agents niet op voldoende data zijn getraind of als de data niet gevarieerd is, kan dit een beperkte context creëren. Dit vermindert het vermogen van de agent om relevante, bruikbare antwoorden te produceren.

Agents blinken uit in kortetermijnplanning, maar kunnen moeite hebben met verzoeken om langetermijnplannen die zich over maanden of jaren uitstrekken af te handelen, vanwege een gebrek aan persistent geheugen, beperkte contextvensters en hiaten in de integratie van tools (en resources).

Onnauwkeurige brondata of onduidelijke instructies kunnen leiden tot inconsistente outputs. Als dezelfde query meerdere resultaten oplevert, ondermijnt dit het nut van LLM-agents.

Agents kunnen worden aangepast om rollen te vervullen. Het succes van deze rollen hangt echter af van het gebruikte AI-framework. Dit komt omdat het framework bepaalt hoe effectief de agent kan worden getraind, ingezet en geïntegreerd met andere tools en systemen.

Hoewel prompts de basis vormen van de antwoorden van agents, moeten LLM-agents ook geheugen en zelfreflectie gebruiken om antwoorden te informeren. Als deze componenten ontbreken, kan dit het bereik en de nauwkeurigheid van de antwoorden beperken.

Een voorbeeld is prompt dependence. Dit gebeurt wanneer LLM's 'afhankelijk' zijn van prompts om contextuele aanwijzingen te geven over de gewenste output. In het beste geval leidt dit tot enigszins vertekende outputs. In het ergste geval zijn de outputs onnauwkeurig.

De enorme hoeveelheid kennis die door LLM-agents wordt verwerkt en opgeslagen, kan leiden tot uitdagingen op het gebied van beheer. Deze uitdagingen kunnen zich manifesteren als verminderde prestaties of onnauwkeurige reacties.

Gewoonlijk verbeteren LLM-agents de operationele efficiëntie, wat kan leiden tot een hogere ROI door het gebruik van agents en besparingen in het hele bedrijf. Maar als agents niet integreren met bestaande systemen of zijn gebouwd op resource-intensieve frameworks, kan er sprake zijn van hogere kosten en verminderde efficiëntie.

Naarmate ML-algoritmen complexer worden en chipsets krachtiger, kun je verwachten dat dit soort LLM-agents en AI-agents slimmer, sneller en beter in staat zijn om gaandeweg te leren. In de praktijk creëert dit een kans voor deze AI-gestuurde chatbots om niet langer een bijzaak te zijn, maar samen te werken met hun menselijke tegenhangers.

Denk bijvoorbeeld aan B2B-sales. Van oudsher kunnen werknemers LLM's gebruiken om marketing of productteksten te verbeteren en potentiële leads te genereren. Met geavanceerdere tools kunnen medewerkers agents gebruiken om diepgaande e-mailcampagnes te leveren en vragen van klanten af te handelen. Dit biedt het dubbele voordeel van verbeterde personalisatie voor klanten en meer tijd voor het personeel om zich te concentreren op het opbouwen van salesstrategieën voor de lange termijn.

Nu AI voor ondernemingen een exponentiële groei doormaakt, profiteren bedrijven van verschillende soorten LLM-agents. Deze technologie biedt bedrijven een manier om de klantenservice te verbeteren, de besluitvorming te verbeteren en complexe, uit meerdere stappen bestaande problemen aan te pakken.

Agentforce helpt bedrijven het voortouw te nemen met LLM's. Door autonome AI-agents te bouwen en aan te passen, kunnen bedrijven de ervaring van menselijke medewerkers combineren met de groeiende expertise van AI om klanten en medewerkers 24/7 te ondersteunen. Probeer Agentforce zelf om te zien hoe het je beter kan helpen in contact te komen met klanten en je medewerkers efficiënter te maken.