Эксперты советуют ползать, затем ходить, прежде чем бежать с агентами ИИ

Добро пожаловать в эру многоагентных систем ИИ, где потенциал для повышения личной и профессиональной продуктивности огромен. Однако интеграция этих передовых инструментов генеративного ИИ (Gen AI) в вашу организацию — задача не из простых. Согласно недавнему отчету Deloitte, интерес к разработке автономных агентов растет, и 26% организаций исследуют эту область. Более половины руководителей (52%) стремятся к разработке агентного ИИ, а 45% планируют расширяться в сторону многоагентных систем. Несмотря на их перспективы, эти системы не являются панацеей от всех проблем.

В отчете подчеркивается, что агентный ИИ может значительно улучшить создание устойчивой бизнес-ценности, автономно достигая целей с минимальным вмешательством человека. Однако также отмечается, что препятствия, с которыми сталкивается Gen AI, такие как регуляторная неопределенность, управление рисками, недостатки данных и проблемы с рабочей силой, усиливаются в агентных системах из-за их повышенной сложности.

Джим Роуэн, руководитель направления ИИ в Deloitte Consulting, подчеркнул, что в отличие от традиционных ботов, которые в основном реагируют на входные данные, агентный ИИ может планировать, приоритизировать задачи и выполнять сложные рабочие процессы с минимальным человеческим контролем. Однако он предостерег, что внедрение этих систем может быть дорогостоящим, подчеркивая важность надежной инфраструктуры данных, включая масштабируемые облачные платформы, передовые инструменты анализа данных и мощные меры кибербезопасности.

Для организаций, стремящихся внедрить ИИ-агентов, ключевым является начало с простого. Бенджамин Ли, профессор Пенсильванского университета, считает, что компании, уже использующие генеративный ИИ для простых задач, находятся в выгодном положении для использования агентного ИИ. В таких организациях есть сотрудники, которые умеют разбивать сложные задачи на более простые для ИИ, что уже приносит прирост продуктивности.

Роуэн рекомендует поэтапный подход — начинать с пилотной программы для тестирования многоагентных систем в контролируемой среде. Он сравнивает текущее состояние ИИ с ребенком-дошкольником, а агентный ИИ — с подростком, более продвинутым и способным выполнять определенные функции.

Для дальнейшей интеграции ИИ-агентов организациям следует поощрять использование генеративного ИИ для простых задач и разрабатывать стратегии разбиения сложных задач на управляемые части. Такой подход сделает прирост продуктивности от интеллектуальных агентов прозрачным, понятным и заслуживающим доверия.

Роуэн также выступает за использование меньших языковых моделей вместо крупных, которые доминировали в ландшафте Gen AI. Эти меньшие модели могут быть более эффективными в различных ролях, от управления цепочками поставок до разработки программного обеспечения и финансового анализа. Ли соглашается, отмечая, что интеллектуальные агенты могут разбивать сложные задачи на более простые и использовать специализированные модели для объединения результатов в связный ответ.

Качественные данные имеют решающее значение для эффективного функционирования ИИ-агентов. Неточные, неполные или непоследовательные данные могут привести к ненадежным результатам и действиям, создавая проблемы как с внедрением, так и с рисками. Поэтому инвестиции в надежное управление данными и моделирование знаний необходимы.

Повышение квалификации рабочей силы — еще одна важная область, и Роуэн подчеркивает необходимость обучения как техническим навыкам, так и умению сотрудничать с ИИ-агентами. Хорошо подготовленная рабочая сила необходима для полного раскрытия потенциала ИИ-агентов.

Также требуется постоянный мониторинг и улучшение производительности ИИ-агентов. Это включает сбор и анализ данных о производительности, выявление областей для улучшения и внесение корректировок для оптимизации работы.

С точки зрения политики, компании должны установить четкие руководящие принципы использования агентного ИИ. Бен Сапп, глобальный руководитель направления интеллекта в Digital.ai, указывает на важность определения, кто может использовать агентный ИИ, какие у него разрешения на взаимодействие с другими агентами и иерархию принятия решений при взаимодействии или конфликте систем.

Сапп привел пример компании из финансового сектора, которая использует модель ИИ для прогнозирования сбоев при изменениях. На основе вероятности сбоя человек может решить, нужно ли более глубоко анализировать изменение или одобрить его. С агентным ИИ, если вероятность сбоя ниже 1%, система может автоматически одобрить изменение, устраняя необходимость человеческого вмешательства и упрощая процесс.

В заключение, хотя агентный ИИ обладает большим потенциалом для повышения продуктивности и создания устойчивой бизнес-ценности, его успешное внедрение требует тщательного учета технических, данных, рабочей силы и политических вызовов.