Agentic AI
Agentic AI odnosi się do systemów AI zaprojektowanych do autonomicznego dążenia do celów, podejmowania decyzji i podejmowania działań w dynamicznych środowiskach, często przy minimalnej interwencji człowieka.
Agentic AI stanowi zmianę paradygmatu w sztucznej inteligencji, wykraczając poza pasywne przetwarzanie danych do aktywnych, zorientowanych na cel bytów. U podstaw systemu agentic AI leży jego zdolność do postrzegania swojego otoczenia, rozumowania na podstawie swoich obserwacji, planowania sekwencji działań i autonomicznego wykonywania tych działań w celu osiągnięcia zdefiniowanych celów. Obejmuje to wyrafinowaną interakcję kilku poddziedzin AI. Percepcja jest zazwyczaj obsługiwana przez dane wejściowe z czujników, które mogą obejmować surowe strumienie danych (np. odczyty czujników, dane wejściowe użytkownika) lub przetworzone informacje z innych modeli AI (np. wizja komputerowa, przetwarzanie języka naturalnego). Rozumowanie i planowanie często wykorzystują techniki takie jak logika symboliczna, probabilistyczne modele grafowe, lub coraz częściej duże modele językowe (LLM), które mogą generować spójne plany i strategie. Podejmowanie decyzji jest kluczowym elementem, w którym agent musi wybrać optymalne działanie spośród zestawu możliwości, często w warunkach niepewności lub niepełnych informacji. Może to obejmować uczenie ze wzmocnieniem (RL), gdzie agent uczy się metodą prób i błędów poprzez maksymalizację sygnału nagrody, lub bardziej złożone algorytmy planowania, takie jak Monte Carlo Tree Search (MCTS). Aspekt „agentowy” implikuje pewien stopień samodzielności i inicjatywy; AI nie wykonuje po prostu zaprogramowanych instrukcji, ale aktywnie dąży do realizacji swoich celów. Kompromisy w projektowaniu agentic AI obejmują złożoność wdrażania solidnych systemów percepcji i rozumowania, wyzwanie zapewnienia bezpieczeństwa i zgodności z ludzkimi wartościami (zwłaszcza w środowiskach otwartych) oraz zasoby obliczeniowe wymagane do ciągłego działania i uczenia się. Spektrum rozciąga się od prostych agentów reaktywnych do wysoce złożonych, deliberatywnych agentów zdolnych do długoterminowego planowania strategicznego i adaptacji.
graph LR
Center["Agentic AI"]:::main
Pre_computer_science["computer-science"]:::pre --> Center
click Pre_computer_science "/terms/computer-science"
Rel_ai_agent["ai-agent"]:::related -.-> Center
click Rel_ai_agent "/terms/ai-agent"
Rel_artificial_intelligence["artificial-intelligence"]:::related -.-> Center
click Rel_artificial_intelligence "/terms/artificial-intelligence"
Rel_ai_automation["ai-automation"]:::related -.-> Center
click Rel_ai_automation "/terms/ai-automation"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧒 Wyjaśnij jak 5-latkowi
Wyobraź sobie super inteligentną zabawkę-robota, która sama może zdecydować, z czym się bawić, aby zbudować najlepszy zamek, bez mówienia jej każdego kroku.
🤓 Expert Deep Dive
Ekspertowe Dogłębne Omówienie:
Sztuczna inteligencja agentowa (Agentic AI) stanowi zmianę paradygmatu w stosunku do tradycyjnych, specyficznych dla zadań systemów AI, wprowadzając systemy wykazujące emergentną autonomię i ukierunkowanie na cel. U jej podstaw, sztuczna inteligencja agentowa charakteryzuje się wyrafinowaną pętlą wewnętrzną obejmującą percepcję, rozumowanie, planowanie i działanie.
Percepcja: Obejmuje to odbiór i interpretację otoczenia za pomocą różnych modalności (np. czujniki, strumienie danych, dane wejściowe od użytkownika). Ta percepcja nie jest jedynie reaktywna; jest kontekstualizowana i często obejmuje modelowanie probabilistyczne w celu radzenia sobie z niepewnością.
Rozumowanie: Systemy agentowe wykorzystują zaawansowane mechanizmy rozumowania, które mogą obejmować wnioskowanie logiczne, probabilistyczne modele grafowe, grafy wiedzy, a coraz częściej duże modele językowe (LLM) do manipulacji symbolicznej i rozumienia zdroworozsądkowego.
Planowanie: Jest to kluczowy czynnik odróżniający. Sztuczna inteligencja agentowa angażuje się w wieloetapowe planowanie, przewidując przyszłe stany i konsekwencje potencjalnych działań. Techniki takie jak Monte Carlo Tree Search (MCTS), hierarchiczne sieci zadań (HTN) oraz polityki uczenia ze wzmocnieniem (RL) są wykorzystywane do generowania optymalnych lub satysfakcjonujących sekwencji działań w kierunku długoterminowych celów.
Działanie: Agent wykonuje zaplanowane działania w swoim otoczeniu. To wykonanie jest często iteracyjne, sprzęgając się z powrotem do pętli percepcji-rozumowania, umożliwiając adaptację i korektę w odpowiedzi na zmiany środowiskowe lub nieoczekiwane wyniki.
Kluczowe podstawy technologiczne obejmują uczenie ze wzmocnieniem (szczególnie głębokie RL), teorię sterowania optymalnego, wnioskowanie bayesowskie oraz zaawansowane ramy decyzyjne. Rozwój jest napędzany potrzebą stworzenia AI, która może działać przy minimalnym nadzorze człowieka w dynamicznych, otwartych środowiskach, radząc sobie ze złożonymi, wieloaspektowymi celami wymagającymi strategicznego przewidywania i ciągłej adaptacji, wykraczając poza proste mechanizmy bodziec-reakcja.