Apa itu Agen AI?

Agen kecerdasan buatan (AI) adalah program perangkat lunak yang dapat berinteraksi dengan lingkungannya, mengumpulkan data, dan menggunakan data itu untuk melakukan tugas mandiri yang memenuhi tujuan yang telah ditentukan. Manusia menetapkan tujuan, tetapi agen AI memilih tindakan terbaik yang perlu dilakukan secara independen untuk mencapai tujuan tersebut. Misalnya, pertimbangkan agen AI pusat kontak yang ingin menyelesaikan pertanyaan pelanggan. Agen akan secara otomatis mengajukan pertanyaan yang berbeda kepada pelanggan, mencari informasi dalam dokumen internal, dan merespons dengan solusi. Berdasarkan respons pelanggan, agen menentukan apakah dapat menyelesaikan kueri itu sendiri atau meneruskannya kepada manusia.

Beberapa agen AI dapat berkolaborasi untuk mengotomatiskan alur kerja yang kompleks dan juga dapat digunakan dalam sistem AI agentic. Mereka bertukar data satu sama lain, memungkinkan seluruh sistem bekerja sama untuk mencapai tujuan bersama. Agen AI individu dapat dikhususkan untuk melakukan subtugas tertentu dengan akurasi. Seorang agen orkestrator mengoordinasikan aktivitas agen spesialis yang berbeda untuk menyelesaikan tugas yang lebih besar dan lebih kompleks.

Pelajari lebih lanjut tentang apa itu kecerdasan buatan (AI)

Semua perangkat lunak secara mandiri melakukan berbagai tugas rutin seperti yang ditentukan oleh pengembang perangkat lunak. Jadi, apa yang membuat agen AI istimewa?

Otonomi

Agen AI bertindak secara mandiri, tanpa campur tangan manusia yang konstan. Sementara perangkat lunak tradisional mengikuti instruksi kode keras, agen AI mengidentifikasi tindakan yang sesuai berikutnya berdasarkan data masa lalu dan menjalankannya tanpa pengawasan manusia yang berkelanjutan.

Misalnya, agen pembukuan secara otomatis menandai dan meminta data faktur yang hilang untuk pembelian.

Perilaku berorientasi pada tujuan

Agen AI didorong oleh tujuan. Tindakan mereka bertujuan untuk memaksimalkan kesuksesan sebagaimana didefinisikan oleh fungsi utilitas atau metrik kinerja. Tidak seperti program tradisional yang hanya menyelesaikan tugas, agen cerdas mengejar tujuan dan mengevaluasi konsekuensi dari tindakan mereka dalam kaitannya dengan tujuan tersebut.

Misalnya, sistem logistik AI mengoptimalkan rute pengiriman untuk menyeimbangkan kecepatan, biaya, dan konsumsi bahan bakar secara bersamaan, sehingga menyeimbangkan beberapa tujuan.

Persepsi

Agen AI berinteraksi dengan lingkungan mereka dengan mengumpulkan data melalui sensor atau input digital. Mereka dapat mengumpulkan data dari sistem dan alat eksternal melalui APIS. Data ini memungkinkan mereka untuk memahami dunia di sekitar mereka, mengenali perubahan, dan memperbarui keadaan internal mereka sesuai dengan itu.

Misalnya, agen keamanan siber mengumpulkan data dari database pihak ketiga untuk tetap mengetahui insiden keamanan terbaru.

Rasionalitas

Agen AI adalah entitas rasional dengan kemampuan penalaran. Mereka menggabungkan data dari lingkungan mereka dengan pengetahuan domain dan konteks masa lalu untuk membuat keputusan berdasarkan informasi, mencapai kinerja dan hasil yang optimal.

Misalnya, agen robot mengumpulkan data sensor, dan chatbot menggunakan permintaan pelanggan sebagai input. Agen AI menerapkan data untuk membuat keputusan berdasarkan informasi. Sistem ini menganalisis data yang dikumpulkan untuk memprediksi hasil terbaik yang mendukung tujuan yang telah ditentukan. Agen juga menggunakan hasilnya untuk merumuskan tindakan selanjutnya yang harus diambil. Sebagai contoh, mobil otonom menavigasi berbagai rintangan di jalan berdasarkan data dari beberapa sensor.

Proaktivitas

Agen AI dapat mengambil inisiatif berdasarkan perkiraan dan model negara bagian masa depan. Alih-alih hanya bereaksi terhadap masukan, mereka mengantisipasi peristiwa dan mempersiapkannya sesuai dengan itu.

Misalnya, agen layanan pelanggan berbasis AI mungkin menjangkau pengguna yang perilakunya menunjukkan frustrasi, menawarkan bantuan sebelum tiket dukungan diajukan. Robot gudang otonom dapat memposisikan diri mereka sendiri untuk mengantisipasi operasi lalu lintas tinggi yang akan datang.

Pembelajaran berkelanjutan

Agen AI meningkat dari waktu ke waktu dengan belajar dari interaksi masa lalu. Mereka mengidentifikasi pola, umpan balik, dan hasil untuk memperbaiki perilaku dan pengambilan keputusan mereka. Ini membedakan mereka dari program statis yang selalu berperilaku dengan cara yang sama terlepas dari input baru.

Misalnya, agen pemeliharaan prediktif belajar dari kegagalan peralatan masa lalu untuk memperkirakan masalah masa depan dengan lebih baik.

Kemampuan beradaptasi

Agen AI menyesuaikan strategi mereka dalam menanggapi keadaan baru. Fleksibilitas ini memungkinkan mereka untuk menangani ketidakpastian, situasi baru, dan informasi yang tidak lengkap.

Misalnya, bot perdagangan saham menyesuaikan strateginya selama kehancuran pasar, sementara agen bermain game seperti AlphaZero menemukan taktik baru melalui permainan sendiri, bahkan tanpa strategi manusia sebelumnya.

Kolaborasi

Agen AI dapat bekerja dengan agen lain atau agen manusia untuk mencapai tujuan bersama. Mereka mampu berkomunikasi, berkoordinasi, dan bekerja sama untuk melakukan tugas bersama. Perilaku kolaboratif mereka sering melibatkan negosiasi, berbagi informasi, mengalokasikan tugas, dan beradaptasi dengan tindakan orang lain.

Misalnya, sistem multi-agen dalam perawatan kesehatan dapat memiliki agen yang mengkhususkan diri dalam tugas-tugas tertentu seperti diagnosis, perawatan pencegahan, penjadwalan obat, dll., untuk otomatisasi perawatan pasien holistik.

Agen AI dapat meningkatkan operasi bisnis dan pengalaman pelanggan Anda.

Peningkatan produktivitas

Tim bisnis akan lebih produktif jika mereka mendelegasikan tugas-tugas yang berulang kepada agen AI. Dengan cara ini, mereka dapat mengalihkan perhatian ke kegiatan yang penting atau kreatif sehingga menambah nilai lebih bagi organisasi mereka.

Mengurangi biaya

Bisnis dapat memanfaatkan agen cerdas untuk meminimalkan biaya yang tidak perlu akibat inefisiensi proses, kesalahan manusia, dan proses manual. Mereka dapat dengan percaya diri menangani tugas-tugas kompleks karena agen otonom mengikuti model yang konsisten yang beradaptasi dengan lingkungan yang berubah. Teknologi agen yang mengotomatiskan proses bisnis dapat menyebabkan penghematan biaya yang signifikan.

Pengambilan keputusan berdasarkan informasi

Agen cerdas canggih memiliki kemampuan prediktif dan dapat mengumpulkan dan memproses sejumlah besar data real-time. Hal ini memungkinkan manajer bisnis untuk membuat prediksi yang lebih terinformasi dengan cepat ketika menyusun strategi langkah mereka berikutnya. Misalnya, Anda dapat menggunakan agen AI untuk menganalisis permintaan produk di segmen pasar yang berbeda saat menjalankan kampanye iklan.

Peningkatan pengalaman pelanggan

Pelanggan mencari pengalaman yang menarik dan personal saat berinteraksi dengan bisnis. Mengintegrasikan agen AI memungkinkan bisnis untuk mempersonalisasi rekomendasi produk, memberikan respons yang cepat, dan berinovasi untuk meningkatkan keterlibatan, konversi, dan loyalitas pelanggan. Agen AI dapat memberikan tanggapan terperinci terhadap pertanyaan pelanggan yang kompleks dan menyelesaikan tantangan dengan lebih efisien.

Arsitektur agen AI berisi komponen kunci berikut.

Model pondasi

Inti dari setiap agen AI terletak fondasi atau model bahasa besar (LLM) seperti GPT atau Claude. Ini memungkinkan agen untuk menafsirkan input bahasa alami, menghasilkan respons seperti manusia, dan bernalar atas instruksi yang kompleks. LLM bertindak sebagai mesin penalaran agen, memproses prompt dan mengubahnya menjadi tindakan, keputusan, atau kueri ke komponen lain (misalnya, memori atau alat). Ini mempertahankan beberapa memori di seluruh sesi secara default dan dapat digabungkan dengan sistem eksternal untuk mensimulasikan kesinambungan dan kesadaran konteks.

Modul perencanaan

Modul perencanaan memungkinkan agen untuk memecah tujuan menjadi langkah-langkah yang lebih kecil dan dapat dikelola dan mengurutkannya secara logis. Modul ini menggunakan penalaran simbolik, pohon keputusan, atau strategi algoritmik untuk menentukan pendekatan yang paling efektif untuk mencapai hasil yang diinginkan. Ini dapat diimplementasikan sebagai dekomposisi tugas yang digerakkan oleh prompt atau pendekatan yang lebih formal, seperti Jaringan Tugas Hierarkis (HTN) atau algoritma perencanaan klasik. Perencanaan memungkinkan agen untuk beroperasi pada cakrawala waktu yang lebih lama, dengan mempertimbangkan dependensi dan kontinjensi antar tugas.

Modul memori

Modul memori memungkinkan agen untuk menyimpan informasi di seluruh interaksi, sesi, atau tugas. Ini termasuk memori jangka pendek, seperti riwayat obrolan atau input sensor terbaru, dan memori jangka panjang, termasuk data pelanggan, tindakan sebelumnya, atau akumulasi pengetahuan. Memori meningkatkan personalisasi, koherensi, dan kesadaran konteks agen. Saat membangun agen AI, pengembang menggunakan database vektor atau grafik pengetahuan untuk menyimpan dan mengambil konten yang bermakna secara semantik.

Integrasi alat

Agen AI sering memperluas kemampuan mereka dengan menghubungkan ke perangkat lunak eksternal, API, atau perangkat. Hal ini memungkinkan mereka untuk bertindak di luar bahasa alami, melakukan tugas-tugas dunia nyata seperti mengambil data, mengirim email, menjalankan kode, menanyakan database, atau mengendalikan perangkat keras. Agen mengidentifikasi kapan tugas memerlukan alat dan kemudian mendelegasikan operasi yang sesuai. Penggunaan alat biasanya dipandu oleh LLM melalui modul perencanaan dan penguraian yang memformat panggilan alat dan menafsirkan outputnya.

Belajar dan refleksi

Refleksi dapat terjadi dalam berbagai bentuk:

• Agen mengevaluasi kualitas outputnya sendiri (misalnya, apakah itu menyelesaikan masalah dengan benar?).
• Pengguna manusia atau sistem otomatis memberikan koreksi.
• Agen memilih contoh yang tidak pasti atau informatif untuk meningkatkan pembelajarannya.

Reinforcement Learning (RL) adalah paradigma pembelajaran utama. Agen berinteraksi dengan lingkungan, menerima umpan balik dalam bentuk hadiah atau penalti, dan mempelajari kebijakan yang memetakan negara bagian ke tindakan untuk hadiah kumulatif maksimum. RL sangat berguna di lingkungan di mana data pelatihan eksplisit jarang, seperti robotika, game, atau perdagangan keuangan. Agen menyeimbangkan eksplorasi (mencoba tindakan baru) dan eksploitasi (menggunakan tindakan terbaik yang diketahui) untuk meningkatkan strateginya dari waktu ke waktu.

Agen AI bekerja dengan menyederhanakan dan mengotomatiskan tugas-tugas yang kompleks. Sebagian besar agen otonom mengikuti alur kerja tertentu saat melakukan tugas yang diberikan.

Tentukan tujuan

Agen AI menerima instruksi atau tujuan tertentu dari pengguna. Agen AI menggunakan tujuan tersebut untuk merencanakan tugas yang membuat hasil akhir relevan dan berguna bagi pengguna. Kemudian, agen memecah tujuan menjadi beberapa tugas yang lebih kecil dan dapat ditindaklanjuti. Untuk mencapai tujuan, agen melakukan tugas-tugas tersebut berdasarkan perintah atau kondisi tertentu.

Dapatkan informasi

Agen AI memerlukan informasi untuk melaksanakan tugas yang telah mereka rencanakan dengan sukses. Misalnya, agen harus mengekstraksi log percakapan untuk menganalisis sentimen pelanggan. Dengan demikian, agen AI dapat mengakses internet untuk mencari dan mengambil informasi yang mereka butuhkan. Dalam beberapa aplikasi, agen cerdas dapat berinteraksi dengan agen lain atau model machine learning untuk mengakses atau bertukar informasi.

Implementasikan tugas

Dengan data yang cukup, agen AI secara metodis mengimplementasikan tugas yang ada. Setelah menyelesaikan sebuah tugas, agen akan menghapusnya dari daftar dan melanjutkan ke tugas berikutnya. Di antara penyelesaian tugas, agen mengevaluasi apakah telah mencapai tujuan yang ditentukan dengan mencari umpan balik eksternal dan memeriksa lognya sendiri. Selama proses ini, agen dapat membuat dan bertindak pada tugas-tugas tambahan untuk mencapai hasil akhir. 

Organisasi membuat dan menyebarkan agen AI di berbagai jenis dan tugas. Kami membagikan beberapa contoh di bawah ini.

Agen refleks sederhana

Agen refleks sederhana beroperasi secara ketat berdasarkan aturan yang telah ditetapkan dan data langsungnya. Itu tidak akan menanggapi situasi di luar peristiwa, kondisi, dan aturan tindakan tertentu. Oleh karena itu, agen ini cocok untuk tugas-tugas sederhana yang tidak memerlukan pelatihan ekstensif. Sebagai contoh, Anda bisa menggunakan agen refleks sederhana untuk mengatur ulang kata sandi dengan mendeteksi kata kunci tertentu dalam percakapan pengguna.

Agen refleks berbasis model

Agen berbasis model mirip dengan agen refleks sederhana, kecuali bahwa ia memiliki mekanisme pengambilan keputusan yang lebih maju. Daripada hanya mengikuti aturan tertentu, agen berbasis model mengevaluasi kemungkinan hasil dan konsekuensi sebelum membuat keputusan. Dengan menggunakan data pendukung, ia membangun model internal mengenai dunia yang dilihatnya dan menggunakannya untuk mendukung keputusannya.

Agen berbasis tujuan

Agen berbasis tujuan, juga dikenal sebagai agen berbasis aturan, adalah agen AI yang memiliki kemampuan penalaran yang lebih kuat. Selain mengevaluasi data lingkungan, agen membandingkan berbagai pendekatan untuk membantunya mencapai hasil yang diinginkan. Agen berbasis tujuan selalu memilih jalur yang paling efisien. Mereka cocok untuk melakukan tugas-tugas yang kompleks, seperti pemrosesan bahasa alami (NLP) dan aplikasi robotik.

Agen berbasis utilitas

Agen berbasis utilitas menggunakan algoritma penalaran yang kompleks untuk membantu pengguna memaksimalkan hasil yang mereka inginkan. Agen membandingkan berbagai skenario dan nilai utilitas atau manfaat masing-masing. Kemudian, ia memilih salah satu yang menawarkan hadiah terbanyak kepada pengguna. Misalnya, pelanggan dapat menggunakan agen berbasis utilitas untuk mencari tiket penerbangan dengan waktu perjalanan minimum, terlepas dari harganya.

Agen pembelajaran

Seorang agen pembelajaran terus belajar dari pengalaman masa lalu untuk meningkatkan kinerjanya. Dengan menggunakan input sensorik dan mekanisme umpan balik, agen mengadaptasi elemen pembelajarannya dari waktu ke waktu untuk memenuhi standar tertentu. Selain itu, ia menggunakan generator masalah untuk merancang tugas-tugas baru yang melatih dirinya sendiri menggunakan data yang dikumpulkan dan hasil masa lalu.

Agen hierarkis

Agen hierarkis adalah sekelompok agen cerdas yang terorganisir yang diatur dalam tingkatan. Agen tingkat yang lebih tinggi menguraikan tugas kompleks menjadi tugas yang lebih kecil dan menugaskannya ke agen tingkat yang lebih rendah. Setiap agen berjalan secara independen dan menyerahkan laporan perkembangan kepada agen pengawasnya. Agen tingkat yang lebih tinggi mengumpulkan hasil dan mengoordinasikan agen-agen di bawahnya untuk memastikan mereka secara kolektif mencapai tujuan.

Sistem multi-agen

Sistem multi-agen (MAS) terdiri dari beberapa agen yang berinteraksi satu sama lain untuk memecahkan masalah atau mencapai tujuan bersama. Agen-agen ini dapat homogen (serupa dalam desain) atau heterogen (berbeda dalam struktur atau fungsi) dan dapat berkolaborasi, berkoordinasi, atau bahkan bersaing tergantung pada konteksnya. MAS sangat efektif dalam lingkungan yang kompleks dan terdistribusi di mana kontrol terpusat tidak praktis.

Misalnya, dalam armada kendaraan otonom, setiap kendaraan bertindak sebagai agen independen tetapi bekerja sama dengan yang lain untuk menghindari kemacetan lalu lintas dan mencegah tabrakan, yang mengarah ke arus lalu lintas yang lebih lancar.

Agen AI adalah teknologi perangkat lunak bermanfaat yang mengotomatiskan alur kerja bisnis untuk mencapai hasil yang lebih baik. Oleh karena itu, organisasi harus mengatasi masalah berikut saat melakukan deployment agen AI otonom untuk kasus penggunaan bisnis.

Masalah privasi data

Mengembangkan dan mengoperasikan agen AI tingkat lanjut membutuhkan akuisisi, penyimpanan, dan pemindahan data dalam jumlah besar. Organisasi harus menyadari persyaratan privasi data dan menerapkan langkah-langkah yang diperlukan untuk meningkatkan postur keamanan data mereka.

Tantangan etika

Dalam keadaan tertentu, model AI dapat menghasilkan hasil yang bias atau tidak akurat. Menerapkan perlindungan, seperti tinjauan manusia, membantu memastikan pelanggan menerima tanggapan yang bermanfaat dan adil dari agen yang dikerahkan.

Kompleksitas teknis

Menerapkan agen AI lanjutan membutuhkan pengalaman dan pengetahuan khusus mengenai teknologi machine learning. Developer harus dapat mengintegrasikan pustaka machine learning dengan aplikasi perangkat lunak dan melatih agen dengan data khusus korporasi.

Sumber daya komputasi terbatas

Melatih dan menyebarkan agen AI pembelajaran mendalam membutuhkan sumber daya komputasi yang besar. Ketika organisasi mengimplementasikan agen-agen ini di lokasi, mereka harus berinvestasi dan memelihara infrastruktur yang mahal dan tidak mudah ditingkatkan.

Amazon Bedrock adalah layanan yang dikelola sepenuhnya yang menyediakan akses mudah ke model AI generatif terkemuka di industri, seperti Claude, Llama 2, dan Amazon Titan, bersama dengan serangkaian kemampuan yang diperlukan untuk membangun aplikasi AI generatif.

Amazon Bedrock Agents menggunakan penalaran FM, API, dan data untuk memecah permintaan pengguna, mengumpulkan informasi yang relevan, dan menyelesaikan tugas secara efisien. Agen dapat dibangun secara mudah dan cepat dengan pengaturan dalam beberapa langkah saja. Amazon Bedrock mendukung:

• Retensi memori untuk kontinuitas tugas yang mulus
• Kolaborasi multi-agen untuk membangun beberapa agen khusus di bawah koordinasi agen supervisor
• Amazon Bedrock Guardrails untuk keamanan dan ke andalan bawaan.

AWS telah memperkenalkan toolkit sumber terbuka dengan katalog agen pemula yang berkembang yang dibuat khusus untuk kasus penggunaan perawatan kesehatan dan ilmu kehidupan.

AWS Transform adalah layanan AI agentik pertama untuk mentransformasi beban kerja .NET, mainframe, dan VMware. Dibangun berdasarkan pengalaman migrasi selama 19 tahun, layanan tersebut melakukan deployment agen AI khusus untuk mengotomatiskan tugas-tugas kompleks, seperti penilaian, analisis kode, pemfaktoran ulang, dekomposisi, pemetaan dependensi, validasi, dan perencanaan transformasi. Layanan ini membantu organisasi untuk memodernisasi ratusan aplikasi secara bersamaan sekaligus mempertahankan kualitas dan kontrol.

Amazon Q Business adalah asisten bertenaga AI generatif yang dirancang untuk membantu Anda menemukan informasi, mendapatkan wawasan, dan mengambil tindakan di tempat kerja. Ini menempatkan kekuatan pembuatan agen AI di tangan setiap karyawan. Siapa pun dapat menggunakannya untuk membuat aplikasi AI agentik ringan yang berinteraksi dengan perangkat lunak korporasi umum dan mengotomatiskan tugas berulang.

Mulailah dengan agen AI di AWS dengan membuat akun gratis hari ini.