- Wat maakt autonome agenten uniek? Een kijkje in hun essentie
- Opmerkelijke voorbeelden van autonome agenten
- Vooruitblik op een wereld met autonome agenten & ethische overwegingen
Inmiddels heeft iedereen wel van ChatGPT en andere zogenaamde ‘large language models’ (LLM’s) gehoord. In slechts een paar maanden tijd heeft deze baanbrekende technologie al op vele sectoren een transformerende impact gehad waardoor gebruikers allerlei soorten originele content kunnen genereren, waaronder tekst, afbeeldingen en zelfs computercode. Hoewel de technologie inderdaad indrukwekkende resultaten kan opleveren, zelfs in haar huidige vorm, heeft ze toch enkele grote beperkingen. De grootste beperking van ChatGPT is waarschijnlijk dat het niet autonoom is. Met andere woorden, het kan niet zonder menselijke tussenkomst functioneren en doet alleen wat je zegt dat het moet doen. Sterker nog, de meeste LLM’s kunnen maar één specifieke — en relatief eenvoudige — taak uitvoeren. Ze kunnen zich bijvoorbeeld niet aan onverwachte situaties aanpassen waar ze niet voor geprogrammeerd zijn of gebruikmaken van hun ervaringen uit het verleden om betere beslissingen te nemen. Als je ze een complexere taak wilt laten uitvoeren, eentje die bijvoorbeeld uit meerdere stappen bestaat, moet je net zo lang verschillende zorgvuldig geformuleerde prompts invoeren totdat deze het gewenste resultaat opleveren. En dit kan een behoorlijk tijdrovend proces zijn. Maar wat als er een manier was om dit proces te automatiseren? Dit is waar autonome agenten hun intrede doen.
“Dankzij autonome agenten kunnen mensen in veel minder tijd veel meer gedaan krijgen — en hoeven ze na verloop van tijd hopelijk minder tijd achter hun schermen door te brengen”.
Erica Brescia, algemeen directeur bij Redpoint
Wat maakt autonome agenten uniek? Een kijkje in hun essentie
Autonome agenten kunnen worden omschreven als AI-systemen die zonder menselijke tussenkomst allerlei complexe taken kunnen uitvoeren. Nadat ze een breed doel gepresenteerd hebben gekregen, worden autonome agenten in een van de bestaande LLM’s gevoegd waar ze automatisch een reeks prompts genereren om de LLM naar het gewenste doel te leiden. Ze werken in een zogenaamde ‘loop’ en vergelijken de resultaten van elke voltooide taak voortdurend met het algemene doel. Als het doel niet wordt bereikt, genereren de agenten nieuwe taken en wordt de takenlijst opnieuw geprioriteerd. Het proces wordt net zo lang herhaald totdat het model de beoogde output produceert. Maar hoe helpt dit ons precies? “Mensen verspillen buitensporige hoeveelheden tijd aan saai en handmatig werk. Maar dit kan ook door computers gedaan worden, zodat er meer tijd vrijkomt voor meer creatieve bezigheden, of om dingen te doen die alleen mensen momenteel kunnen doen. Dankzij autonome agenten kunnen mensen in veel minder tijd veel meer gedaan krijgen — en hoeven ze na verloop van tijd hopelijk minder tijd achter hun schermen door te brengen”, zegt Erica Brescia, algemeen directeur van het in Californië gevestigde venture capitalbedrijf Redpoint Ventures.
De potentiële toepassingen van deze technologie zijn nagenoeg eindeloos. “Intelligente autonome agenten zijn het natuurlijke eindpunt van automatisering in het algemeen. In principe kan een agent worden gebruikt om elk ander proces te automatiseren. Je kunt je voorstellen, zodra deze agenten nog geavanceerder en betrouwbaarder worden, dat er in alle werkgebieden en sectoren een exponentiële groei zal plaatsvinden”, vertelt Bojan Tunguz, senior systeemsoftware-ingenieur bij het Amerikaanse multinationale technologiebedrijf NVIDIA. Autonome agenten kunnen onder meer worden gebruikt om een social media-account te managen, marktonderzoek te doen, een politieke campagne te voeren, wiskundeles te geven, een app te ontwikkelen of een heel boek te schrijven. Maar hoe doen ze dat precies? Om goed te kunnen functioneren, hebben autonome agenten toegang nodig tot een softwareontwikkelingsraamwerk als LangChain, dat een reeks instructies biedt waarmee interactie met LLM’s mogelijk is. Ze hebben ook toegang nodig tot een vectordatabase als Pinecone, waarmee ze door de LLM gegenereerde informatie kunnen opslaan en ophalen. Met andere woorden, het geeft ze een langetermijngeheugen en biedt oplossingen voor een van de grootste tekortkomingen van LLM’s. Hoewel de technologie zich nog in de allereerste ontwikkelingsfase bevindt, zijn er al verschillende opmerkelijke voorbeelden van autonome agenten.
Opmerkelijke voorbeelden van autonome agenten
Het bekendste voorbeeld van een autonome agent is op dit moment waarschijnlijk Auto-GPT. Auto-GPT, ontwikkeld door Toran Bruce Richards, oprichter en hoofdontwikkelaar bij Significant Gravitas Ltd, is een open-source Python-toepassing die ChatGPT-4 gebruikt om allerlei complexe taken uit te voeren. Het doet dit door de grotere taak in verschillende kleinere subtaken op te splitsen, die elk aan een onafhankelijke Auto-GPT worden toegewezen die speciaal voor dat doel is gemaakt. In tegenstelling tot ChatGPT kan Auto-GPT op het internet surfen en informatie vergaren die het voor zijn berekeningen nodig heeft. Auto-GPT heeft bovendien toegang tot langetermijngeheugen in de vorm van een vectordatabase, waardoor het informatie voor toekomstig gebruik kan opslaan en op een later tijdstip weer kan ophalen. Hierdoor kan Auto-GPT ook van ervaringen leren en steeds efficiënter worden.
Een ander opmerkelijk voorbeeld van een autonome agent is BabyAGI, ontwikkeld door Yohei Nakajima. Als partner in een venture capitalbedrijf moest Nakajima dagelijks een aantal complexe taken uitvoeren, zoals het onderzoeken van nieuwe technologieën en bedrijven. Omdat deze taken de capaciteiten van LLM’s als ChatGPT over het algemeen te boven gingen, besloot hij zijn eigen autonome agent te bouwen die wél raad wist met deze taken. BabyAGI gebruikt drie afzonderlijke agenten om zijn doel te bereiken: eentje die taken uitvoert en de eerste taak uit de takenlijst voltooit; eentje die taken creëert, de resultaten van de vorige taken vergelijkt met de doelstelling en nieuwe taken maakt; en eentje die taken prioriteert op basis van hun belangrijkheid. Het hele proces wordt vervolgens zo vaak herhaald als nodig is om het hoofddoel te bereiken.
Ook CAMEL is het vermelden waard. CAMEL staat voor Communicative Agents for Mind Exploration of Large Scale Language Model Society. Hoewel de eerste twee modellen op deze lijst qua agentarchitectuur veel overeenkomsten hebben, doet CAMEL de dingen iets anders. In dit model interacteren namelijk twee onafhankelijke agenten met elkaar in een soort rollenspel. De ‘AI user agent’ geeft de tweede agent, de ‘AI assistant agent’, instructies voor het voltooien van de toegewezen taak. De ‘AI assistant agent’ volgt de instructies op totdat het gewenste resultaat bereikt is. Naast deze twee agenten is er ook de ‘task specific agent’, wiens taak het is om een concrete prompt te genereren die gebaseerd is op het algemene idee van de gebruiker.
“Je hebt straks meerdere agenten voor verschillende facetten van je leven: een agent voor werk, een agent voor je gezins-/thuisleven en een agent voor zelfontwikkeling. Deze werken allemaal met andere agenten samen”.
Vivian Cheng, directrice bij CRV
Vooruitblik op een wereld met autonome agenten & ethische overwegingen
Naarmate de technologie zich verder ontwikkelt en autonome agenten almaar complexere taken kunnen uitvoeren, zullen we ze in ons dagelijks leven steeds vaker tegenkomen. Het zal dan ook niet lang meer duren voordat iedereen er minstens één heeft. Vivian Cheng, een prominente figuur in de techsector en directeur bij het in Silicon Valley gevestigde venture capitalbedrijf CRV (voorheen bekend als Charles River Ventures), vertelt: “Je hebt straks meerdere agenten voor verschillende facetten van je leven: een agent voor werk, een agent voor je gezins-/thuisleven en een agent voor zelfontwikkeling. Deze werken allemaal met andere agenten samen. Ze kunnen je superpowers geven en veel alledaagse taken automatiseren — dat zijn de eerste voor de hand liggende use cases. Maar je digitale tweeling zal uiteindelijk nog veel meer kunnen doen”. Ook op de werkvloer zullen autonome agenten een steeds prominentere rol gaan spelen. Steeds meer bedrijven zullen in de toekomst van deze technologie gebruik gaan maken om allerlei taken te automatiseren. Ook verwachten we dat er bedrijven komen die bijna volledig door autonome agenten worden gerund en waar nog maar een handvol of zelfs maar één menselijke werknemer aanwezig is. “Autonome agenten zijn de volgende golf — niet alleen in de technologie, maar in het bedrijfsleven in zijn algemeenheid. Ik voorspel dat er binnen tien jaar meerdere miljardenbedrijven zullen zijn die volledig door autonome agenten worden gerund. Het is onvermijdelijk”, voorspelt Ben Parr, medeoprichter en president van Octane AI, een toonaangevende firma die conversational marketingplatforms ontwikkelt voor bedrijven die geautomatiseerde chatbots willen gebruiken voor klantcontact en interactieve berichtenuitwisseling.
Veel experts zijn van mening dat autonome agenten weleens de eerste stap zouden kunnen zijn in het creëren van artificial general intelligence (AGI): AI waarvan de cognitieve vaardigheden vergelijkbaar zijn met die van een mens. Sommigen suggereren zelfs dat een aantal van de recentere AI’s al tekenen van bewustzijn vertonen, wat waarschijnlijk enorm veel morele en ethische kwesties zal oproepen. Hoewel autonome agenten inderdaad capabeler zijn dan LLM’s, hebben we ook hier nog steeds te maken met de bekende problemen, zoals de twijfelachtige nauwkeurigheid van de content die ze produceren of het potentieel voor misbruik van intellectuele eigendomsrechten. Als autonome agenten bijvoorbeeld op een bevooroordeelde dataset worden getraind, kunnen ze ook onbedoeld gender- of raciale vooroordelen versterken.
Een laatste overweging
De opkomst van autonome agenten vertegenwoordigt een belangrijke vooruitgang op het gebied van kunstmatige intelligentie. Hoewel LLM’s als ChatGPT contentontwikkeling volledig op zijn kop hebben gezet, worden ze wel nog steeds beperkt door hun gebrek aan autonomie en het feit dat ze geen (hele) complexe taken kunnen uitvoeren. Autonome agenten overbruggen deze kloof door gebruik te maken van LLM’s. Ze werken in continue loops, genereren automatisch prompts en rangschikken taken net zolang totdat het gewenste doel is bereikt. De potentiële toepassingen van deze technologie zijn enorm, variërend van social mediamanagement en marktonderzoek tot politieke campagnes, onderwijs, app-ontwikkeling en meer. De technologie evolueert razendsnel en de verwachting is dat autonome agenten al snel een integraal onderdeel van ons leven zullen worden. Zo zullen we specifieke agenten krijgen voor taken op het werk, in het gezin en voor zelfontwikkeling. Hoewel de ontwikkeling van autonome agenten veelbelovend is, moeten we ook aandacht besteden aan ethische overwegingen. Zo moeten uitdagingen rond bevooroordeelde trainingsdata, de (on)nauwkeurigheid van gegenereerde content en het potentiële misbruik van intellectuele eigendomsrechten aangepakt worden. Bovendien roept de opkomst van autonome agenten vragen op over de ontwikkeling van artificial general intelligence (kunstmatige algemene intelligentie) en het potentiële bewustzijn van geavanceerde AI-systemen. De toekomst van autonome agenten biedt absoluut kansen voor verhoogde productiviteit en innovatie, maar leidt ook tot uitdagingen als etische kwesties en verantwoordelijkheids- en reguleringsvraagstukken waar we ons over moeten buigen.
