Agenci AI
Autonomiczne systemy, które postrzegają, rozumują i działają.
Autonomiczne systemy, które postrzegają, rozumują i działają.
graph LR
Center["Agenci AI"]:::main
Pre_artificial_intelligence["artificial-intelligence"]:::pre --> Center
click Pre_artificial_intelligence "/terms/artificial-intelligence"
Pre_reinforcement_learning["reinforcement-learning"]:::pre --> Center
click Pre_reinforcement_learning "/terms/reinforcement-learning"
Pre_large_language_model["large-language-model"]:::pre --> Center
click Pre_large_language_model "/terms/large-language-model"
Rel_automation["automation"]:::related -.-> Center
click Rel_automation "/terms/automation"
Rel_agentic_ai["agentic-ai"]:::related -.-> Center
click Rel_agentic_ai "/terms/agentic-ai"
Rel_generative_ai_agents["generative-ai-agents"]:::related -.-> Center
click Rel_generative_ai_agents "/terms/generative-ai-agents"
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
🤖 Agenci AI to inteligentni pomocnicy, którzy potrafią samodzielnie widzieć, myśleć i działać, aby wykonywać zadania.
🤓 Expert Deep Dive
## Analiza Techniczna "Agentów AI"
Agenci AI to wyrafinowane systemy obliczeniowe zaprojektowane do autonomicznego działania. U ich podstaw integrują trzy kluczowe podsystemy: Percepcja, Rozumowanie i Działanie.
Podsystem Percepcji odpowiada za wykrywanie i interpretację otoczenia. Wykorzystuje on różnorodne czujniki, w tym kamery, LiDAR, mikrofony oraz interfejsy cyfrowe, takie jak API i bazy danych. Modalności danych obejmują obrazy, dźwięk, tekst i formaty ustrukturyzowane. Surowe dane z czujników podlegają rygorystycznemu przetwarzaniu wstępnemu i ekstrakcji cech, z wykorzystaniem technik takich jak osadzenia głębokiego uczenia, detekcja obiektów i zamiana mowy na tekst, w celu wygenerowania solidnej wewnętrznej reprezentacji stanu. Reprezentacja ta może być symboliczna, sub-symboliczna lub probabilistyczna, umożliwiając modelowanie otoczenia i estymację stanu, potencjalnie uwzględniając zaawansowane koncepcje, takie jak jednoczesna lokalizacja i mapowanie (SLAM) dla agentów działających w dynamicznych środowiskach.
Podsystem Rozumowania stanowi silnik poznawczy agenta, przetwarzając dane percepcyjne, wewnętrzną wiedzę i zdefiniowane cele w celu określenia optymalnych działań. Obejmuje to zaawansowane ramy decyzyjne, od systemów opartych na regułach i maszyn stanów skończonych po zaawansowane modele probabilistyczne, takie jak procesy decyzyjne Markowa (MDP) i częściowo obserwowalne procesy decyzyjne Markowa (POMDP). Często stosowane są algorytmy planowania, takie jak A* i przeszukiwanie drzew Monte Carlo (MCTS), a także różne paradygmaty uczenia ze wzmocnieniem (RL) (oparte na wartości, oparte na polityce, oparte na modelu) do uczenia się optymalnych zachowań. Techniki reprezentacji wiedzy i rozumowania (KRR), w tym grafy wiedzy i ontologie, ułatwiają dostęp do ustrukturyzowanej wiedzy i wnioskowanie logiczne.
Podsystem Działania przekłada uzasadnione decyzje na namacalne interakcje ze środowiskiem. Jest to realizowane za pomocą różnorodnych aktuatorów i interfejsów, obejmujących mechanizmy fizyczne, takie jak manipulatorów robotycznych, oraz środki cyfrowe, takie jak wywołania API i automatyzacja GUI. Przestrzeń działań może być dyskretna lub ciągła, wymagając zaawansowanego sekwencjonowania działań, a w przypadku agentów fizycznych, generowania trajektorii. Mechanizmy sterowania w pętli zamkniętej, wykorzystujące pętle sprzężenia zwrotnego oraz protokoły detekcji błędów i odzyskiwania, zapewniają dokładne i solidne wykonywanie działań, dostosowując się do zmian środowiskowych w czasie rzeczywistym.
Architektury agentów mogą się różnić od projektów modułowych, pozwalających na specjalizację komponentów, po systemy typu end-to-end. Poziom autonomii, solidności i wyjaśnialności to kluczowe aspekty projektowe, obok potencjalnych interakcji w ramach systemów wieloagentowych (MAS), które wymagają protokołów koordynacji, komunikacji i negocjacji.