De term AI-agents klinkt misschien als iets uit science fiction, maar het is vandaag een van de meest besproken trends in kunstmatige intelligentie en generative AI. AI-agents kunnen de manier waarop we technologie inzetten en hoe we automatiseren fundamenteel te veranderen. Maar wat zijn AI-agents precies, en waarom verdienen ze onze aandacht?
Wat zijn AI-agents?
Traditionele (generatieve) AI-systemen werken meestal via directe interactie: een gebruiker voert een opdracht (prompt) in en een model genereert direct een resultaat, zonder tussenstappen. Dit wordt vaak "zero-shot prompting" genoemd. AI agents delen een opdracht op in kleinere (soms iteratieve) stappen om tot resultaat te komen.
Dit betekent dat een systeem met AI-agents complexe taken opsplitst in meerdere stappen, zoals plannen, evalueren, corrigeren en herhalen. Elke stap hierbij wordt uitgevoerd door een AI-agent: een specifieke taak die met specifieke instucties door een AI model wordt uitgevoerd. Het systeem van alle agents verwerkt een opdracht tot een resultaat. Dit maakt AI-agents veel beter in het aanpakken van ingewikkelde taken en problemen. Doordat het een probleem in meerdere stappen opdeelt en sommige taken iteratief uitvoert, kan het wel trager en duurder zijn.
Denk aan het volgende voorbeeld: in plaats van direct een artikel of onderzoeksrapport te genereren op basis van één prompt, kan een systeem van AI-agents eerst een structuur opstellen voor het rapport, voor elk onderdeel via internettoegang resultaten opzoeken en onderzoeken, hiermee een concept schrijven, en kan het vervolgens herhaaldelijk revisies doorvoeren op basis van feedback.
De bouwstenen van AI-agents
Er zijn vier belangrijke ontwerpprincipes die AI-agents krachtig en veelzijdig maken:
Plannen: Voor complexe taken stellen agents een gestructureerd stappenplan op, voeren ze elke stap uit en combineren ze de resultaten.
Samenwerken tussen agents: Verschillende AI-agents kunnen samenwerken door verschillende rollen aan te nemen, zoals ontwikkelaar en criticus, om samen een taak op te lossen.
Tools gebruiken: AI-agents kunnen beslissen wanneer ze externe tools of API’s (bijv. de ChatGPT API) moeten gebruiken, zoals het uitvoeren van een zoekopdracht op internet of een code uitvoeren.
Zie ook: alternatieve voor de ChatGPT API
- Reflecteren: Een systeem van AI-agents genereert output en kan deze vervolgens zelf beoordelen met een aparte agent. Door zichzelf te bekritiseren en te verbeteren, kan het systeem tot een aanzienlijk betere oplossing komen.
Waarom zijn AI-agents revolutionair?
De iteratieve en modulaire aard van systemen van AI-agents opent de deur naar complexe toepassingen van AI die voorheen niet mogelijk waren. Ze worden al ingezet in sectoren zoals juridische documentverwerking, gezondheidszorgdiagnoses en complexe compliance-taken. Bovendien maken ze het mogelijk om efficiënter en effectiever om te gaan met multimodale data, zoals afbeeldingen en video's of combinaties daarvan.
Een voorbeeld: een systeem van AI-agents kan video's analyseren om specifieke gebeurtenissen te identificeren (zoals het maken van een doelpunt in voetbalvideo's) en kan hierbij metadata genereren (zoals de tijdstippen waarop doelpunten zijn gemaakt). Dit soort voorbeelden laten zien dat systemen met AI-agents bedrijven bijvoorbeeld kunnen helpen om enorme hoeveelheden beeldmateriaal te verwerken tot bruikbare data, iets wat eerder bijna onmogelijk was.
Nog een voorbeeld: een systeem van AI-agents wordt ingezet om klantendienstwerkzaamheden uit te voeren. Hierbij kan een agent klantvragen beantwoorden, waarbij andere agents worden ingezet op bijvoorbeeld orderdata op te zoeken, productdata op te zoeken, en/of details van de een verzending op te zoeken. Hiermee kan data vanuit verschillende systemen worden gecombineerd tot waardevolle antwoorden voor klanten.
Hoe maak je een AI-agent?
Het bouwen van een AI-agent kan klinken als een grote uitdaging. Gelukkig zijn er vandaag de dag al veel hulpmiddelen beschikbaar waarmee je snel en relatief eenvoudig aan de slag kunt met AI-agents. We bekijken enkele veelgebruikte hulpmiddelen:
Langflow: Dit is een framework wat specifiek is ontworpen om (geavanceerde) AI agents te kunnen bouwen zonder code. Met Langflow kun je eenvoudig workflows ontwerpen met verschillende agents voor taken taken zoals planning, toolgebruik en reflectie uitvoert. Het biedt ingebouwde ondersteuning voor integratie met externe API's en andere tools. Wil je meer vanuit bijv Python code doen, kijk dan eens naar LangChain.
OpenAI API: Met de OpenAI API kun je krachtige AI modellen (zoals GPT) gebruiken als de kern van AI-agents. Bijvoorbeeld om een agent te maken die teksten categoriseert.
Python: Dit is de meest gebruikte programmeertaal voor AI-development en biedt een breed scala aan handige hulpmiddelen en tools. Zoals Pandas voor het werken met data en tabelvorm en Requests voor het werken met API's. Python werkt ook naadloos samen met frameworks zoals LangChain en API's zoals OpenAI.
Een typisch voorbeeld van het gebruik van deze hulpmiddelen is het bouwen van een agent die automatisch klantenservice-e-mails verwerkt. Met LangChain ontwerp je de workflow met verschillende agents: e-mails lezen, sentiment analyseren (bijvoorbeeld via de OpenAI API), antwoorden genereren en deze terugsturen. Python wordt gebruikt om de verschillende componenten te integreren en de agents soepel te laten functioneren.
Uitdagingen
Hoewel AI-agents veel potentie hebben, zijn er ook uitdagingen. Het evalueren van betrouwbaarheid en juistheid van outputs is vaak nog een knelpunt. Waar het verzamelen van testdata bij traditionele AI workflows vaker een relatief klein onderdeel was, is het bij agent-gebaseerde systemen cruciaal en complexer om grondig te testen en evalueren. Gelukkig worden er constant innovaties gedaan om deze processen te versnellen en verbeteren. Daarnaast legt de snelheid van machine learning ontwikkeling druk op andere aspecten van softwareontwikkeling, zoals integratie en DevOps.
De toekomst van AI-agents
AI-agents zijn niet slechts een hype; ze vormen een nieuwe laag binnen de AI-stack, naast infrastructuur, fundamentele modellen en applicaties. Dankzij frameworks zoals LangChain wordt het steeds eenvoudiger om systemen van agents te bouwen en in te zetten. Het aanbod hierin zal toenemen en er zullen meer voorgeconfigureerde agents en tools beschikbaar komen.
De technologie blijft zich uitbreiden naar multimodale toepassingen, waarbij agents naast tekst bijvoorbeeld ook met afbeeldingen, video's en audio werken, of met combinaties hiervan. Dit vergroot het toepassingsbereik aanzienlijk, van het automatiseren van bedrijfsprocessen tot het ontwikkelen van innovatieve consumententoepassingen.
Conclusie
Met AI-agents zien we een een verschuiving in hoe we AI toepassen. Ze maken het mogelijk om steeds complexere problemen opgesplitst, iteratief en samenwerkend op te lossen, met resultaten die voorheen ondenkbaar waren. Voor bedrijven en ontwikkelaars is dit een spannend moment: de tools om te experimenteren en te bouwen en zo complexe problemen op te lossen zijn toegankelijker dan ooit.
Wil je allround AI expert worden?
Tijdens onze AI Opleiding leer je het hele AI spectrum kennen; van klassieke machine learning modellen tot generative AI met o.a. ChatGPT. Je leert programmeren in Python zodat je op uiteenlopende vlakken aan de slag kunt met AI.
Peter is een ervaren data scientist en python trainer. Na zijn studie aan de Technische Universiteit Delft heeft hij zich altijd bezig gehouden met data en diverse programmeertalen. Peter heeft veel data analyses uitgevoerd en processen geautomatiseerd met Python in productieomgevingen.
