V druhej časti seriálu sme uviedli príklady toho, aké zlepšenia by mohli priniesť samoriadiace sa podniky a aj to, ako sa zmení úloha pracovníkov v prevádzke. V treťom pokračovaní sa zameriame na vysvetlenie toho, čo sú agenti umelej inteligencie.

Agenti umelej inteligencie poháňajúci transformáciu výrobných prevádzok

Realizácia vízie, kde sa uskutoční zmena prevádzok na základe využívania umelej inteligencie (UI), vyžaduje dôkladné posúdenie a vyhodnotenie potenciálu agentov umelej inteligencie. Virtuálni aj fyzickí agenti umelej inteligencie majú potenciál priniesť významnú hodnotu, odomknúť nové príležitosti a riadiť prechod k takmer samostatne fungujúcim prevádzkam.

Základy agentov umelej inteligencie

Agenti umelej inteligencie posilňujú vplyv veľkých jazykových modelov (z angl. Large Language Model, LLM) tým, že im poskytujú prístup k nástrojom a zlepšujú ich schopnosť pozorovať, plánovať a vykonávať akcie. Tradičné algoritmy umelej inteligencie, ako je strojové učenie, sú špecifické pre úlohy a vyžadujú ľudský vstup na definovanie úloh, poskytovanie údajov a interpretáciu výsledkov.

Naproti tomu agenti umelej inteligencie môžu po zaškolení pracovať a dosahovať špecifické ciele autonómne, môžu neustále pozorovať svoje prostredie, plánovať akcie a využívať nástroje na vykonávanie zložitých úloh. Agenti umelej inteligencie fungujú v nepretržitom cykle pozorovania, plánovania a konania, vďaka čomu sú pre prevádzky mimoriadne cenní.

Každý krok umožňujú rozhrania alebo moduly:

Pozorovanie: Agenti zhromažďujú a spracovávajú údaje z prostredia vrátane multimodálnych údajov, vstupov používateľa alebo údajov od iných agentov. Napríklad agent dokáže v reálnom čase vnímať odchýlky v kvalite výroby a základných parametroch.

  • Rozhrania zamerané na agenta: Agenti vyžadujú protokoly, rozhrania aplikačného programovania (API) a špeciálne navrhnuté rozhrania na vstup multimodálnych údajov alebo vnímanie údajov v reálnom čase z viacerých zdrojov.
  • Pamäťový modul: Agenti majú krátkodobú a dlhodobú pamäť, ktorá im umožňuje pamätať si všeobecné vedomosti, minulé akcie a rozhodnutia.

Plánovanie: Agenti a ich v pozadí bežiaci LLM vyhodnocujú možné akcie, aby ich uprednostnili prostredníctvom logického uvažovania v súlade s ich cieľmi. Vo vyššie uvedenom príklade agent posudzuje možné akcie s ohľadom na zlepšenie kvality a rozhoduje sa o zmene výrobných parametrov.

  • Profilový modul: Agenti majú definované atribúty, identity, roly alebo vzorce správania. Roly môžu byť preddefinované alebo agenti môžu byť flexibilní a dynamicky sa prispôsobovať novým rolám.
  • Modul uvažovania: Agenti majú obmedzené schopnosti uvažovania. LLM je schopný rozložiť výzvy agenta na čiastkové úlohy a vrátiť akčný plán. Extrahuje kľúčové poznatky a vytvára logické prepojenia replikáciou krokov uvažovania pozorovaných v trénovacích údajoch. To umožňuje agentom rozhodnúť sa o ďalších požadovaných krokoch rozdelením zložitých úloh na malé akcie na dosiahnutie ich cieľov. Nedávne štúdie ukázali, že súčasné LLM ešte nie sú schopné formálneho uvažovania. Riešenia v reálnom svete si preto vyžadujú iné typy umelej inteligencie a riešiteľov a nemôžu sa spoliehať výlučne na existujúce LLM.

Akcia: Agenti vykonávajú akcie využívaním interných alebo externých nástrojov a systémov. Napríklad agent pristupuje k riadiacej jednotke stroja a mení definované parametre stroja.

  • Modul akcie: Agenti rozhodujú, ktoré nástroje použijú, a podľa potreby využívajú mechanizmy prístupu, ako sú API, systémové integrácie alebo iní agenti.

V tomto cykle sa agenti neustále učia zo sebareflexie alebo externej spätnej väzby. Prostredníctvom cielene orientovaných prístupov k učeniu, ako je napríklad posilňovacie učenie, agenti neustále prispôsobujú a zdokonaľujú svoju stratégiu. Vďaka tomu sú obzvlášť cenní v zložitom, dynamickom prostredí, kde sa podmienky a ciele neustále menia. Takéto prostredie možno nájsť v rôznych priemyselných prevádzkach. Ako súčasť multiagentových systémov, v ktorých špecializovaní agenti spolupracujú tak, že si medzi sebou rozdeľujú zložité problémy, môžu automatizovať celé procesy od začiatku do konca.

Virtuálna UI pripravuje cestu pre autonómne systémy

Virtuálni UI agenti dokážu riadiť širokú škálu softvérových úloh, od rutinných činností a výskumu až po pokročilú analytiku a automatizáciu úloh. V priemyselných prevádzkach dokážu zlepšiť reakciu, zlepšiť kvalitu vykonávania, zvýšiť produktivitu a znížiť prevádzkové chyby. Na rozdiel od tradičných programov strojového učenia dokážu robiť kontextové rozhodnutia v reálnom čase a prispôsobovať sa prostredníctvom spätných väzieb. Títo agenti majú uplatnenie vo všetkých prevádzkových funkciách vrátane výroby, údržby, kvality, inžinieringu, logistiky a plánovania.

V nasledujúcej časti seriálu tieto štyri typy agentov opíšeme podrobnejšie.

Zdroj: World Economic Forum, Frontier Technologies in Industrial Operations: The Rise of Artificial Intelligence Agents, January 2025: World Economic Forum. [online]. 

Pozn.: Tento preklad nevytvorilo Svetové ekonomické fórum (World Economic Forum, WEF) a nemal by sa považovať za oficiálny preklad Svetového ekonomického fóra. Svetové ekonomické fórum nezodpovedá za obsah alebo chyby v tomto preklade. 

Pokračovanie v ďalšom vydaní.

-tog-