Apa itu Agen AI?

Agen kecerdasan buatan (AI) adalah program perangkat lunak yang dapat berinteraksi dengan lingkungannya, mengumpulkan data, dan menggunakan data tersebut untuk melakukan tugas yang ditentukan sendiri guna memenuhi tujuan yang telah ditentukan sebelumnya. Manusia menetapkan tujuan, tetapi agen AI secara independen memilih tindakan terbaik yang perlu dilakukan untuk mencapai tujuan tersebut. Misalnya, anggaplah ada agen AI pusat kontak yang ingin menyelesaikan kueri pelanggan. Agen tersebut 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 sendiri kueri tersebut atau meneruskannya kepada manusia.

Banyak agen AI dapat berkolaborasi untuk mengotomatiskan alur kerja yang kompleks dan juga dapat digunakan dalam sistem AI agentik. 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. Agen orkestrator mengoordinasikan aktivitas agen spesialis yang berbeda untuk menyelesaikan tugas yang lebih besar dan lebih kompleks.

Pelajari selengkapnya tentang kecerdasan buatan (AI)

Semua perangkat lunak secara mandiri melakukan berbagai tugas rutin seperti yang ditentukan oleh developer 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 yang Berorientasi pada Tujuan

Agen AI didorong oleh tujuan. Tindakannya bertujuan untuk memaksimalkan kesuksesan sebagaimana didefinisikan oleh fungsi utilitas atau metrik performa. 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 banyak 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 API. Data ini memungkinkan mereka untuk memahami dunia di sekitar mereka, mengenali perubahan, dan memperbarui kondisi internal mereka sesuai dengan itu.

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

Rasionalitas

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

Misalnya, agen robotik mengumpulkan data sensor, dan chatbot menggunakan kueri pelanggan sebagai input. Agen AI menggunakan data tersebut untuk membuat keputusan yang matang. Agen AI ini menganalisis data yang dikumpulkan untuk memprediksi hasil terbaik yang mendukung tujuan yang telah ditentukan sebelumnya. Agen juga menggunakan hasilnya untuk merumuskan tindakan selanjutnya yang harus diambil. Misalnya, mobil swakemudi menavigasi berbagai rintangan di jalan berdasarkan data dari banyak sensor.

Proaktivitas

Agen AI dapat mengambil inisiatif berdasarkan perkiraan dan model kondisi masa depan. Alih-alih hanya bereaksi terhadap input, mereka mengantisipasi peristiwa dan mempersiapkannya secara tepat.

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

Pembelajaran Berkelanjutan

Agen AI mengalami peningkatan dari waktu ke waktu dengan belajar dari interaksi masa lalu. Mereka mengidentifikasi pola, umpan balik, dan hasil untuk memperbaiki perilaku serta pengambilan keputusan. Hal ini membedakan mereka dari program statis yang selalu berperilaku dengan cara yang sama meskipun ada input baru.

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

Kemampuan Beradaptasi

Agen AI menyesuaikan strategi mereka dalam merespons 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 pemain game seperti AlphaZero menemukan taktik baru melalui bermain melawan dirinya 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 agen lain.

Misalnya, sistem multiagen dalam layanan 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.

Meningkatkan 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.

Mengurangi Biaya

Bisnis dapat menggunakan agen cerdas untuk meminimalkan biaya yang tidak perlu yang timbul dari inefisiensi proses, kesalahan manusia, dan proses manual. Bisnis dapat dengan percaya diri melakukan tugas-tugas kompleks karena agen otonom mengikuti model yang konsisten yang beradaptasi dengan lingkungan yang berubah. Teknologi agen yang mengotomatiskan proses bisnis dapat menghasilkan penghematan biaya yang signifikan.

Pengambilan Keputusan yang Matang

Agen cerdas canggih memiliki kemampuan prediktif dan dapat mengumpulkan serta memproses sejumlah besar data waktu nyata. Hal ini memungkinkan manajer bisnis untuk membuat prediksi yang lebih matang 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 dipersonalisasi saat berinteraksi dengan bisnis. Mengintegrasikan agen AI memungkinkan bisnis untuk mempersonalisasi rekomendasi produk, memberikan respons yang cepat, dan berinovasi untuk meningkatkan keterlibatan, konversi, serta loyalitas pelanggan. Agen AI dapat memberikan respons mendetail terhadap pertanyaan pelanggan yang kompleks dan menyelesaikan tantangan dengan lebih efisien.

Arsitektur agen AI berisi komponen utama berikut.

Model Fondasi

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

Modul Perencanaan

Modul perencanaan memungkinkan agen untuk memecah tujuan menjadi langkah-langkah yang lebih kecil dan dapat dikelola serta mengurutkannya secara logis. Modul ini menggunakan penalaran simbolik, pohon keputusan, atau strategi algoritmik untuk menentukan pendekatan yang paling efektif untuk mencapai hasil yang diinginkan. Hal tersebut dapat diimplementasikan sebagai dekomposisi tugas berbasis 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 kontingensi antar tugas.

Modul Memori

Modul memori memungkinkan agen untuk mempertahankan informasi di seluruh interaksi, sesi, atau tugas. Hal 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, developer menggunakan basis data vektor atau grafik pengetahuan untuk menyimpan dan mengambil konten yang bermakna secara semantik.

Integrasi Alat

Agen AI sering memperluas kemampuannya dengan terhubung ke perangkat lunak eksternal, API, atau perangkat. Hal ini memungkinkan mereka untuk bertindak di luar bahasa alami, dengan melakukan tugas-tugas dunia nyata seperti mengambil data, mengirim email, menjalankan kode, membuat kueri basis data, atau mengontrol 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 menginterpretasikan output-nya.

Pembelajaran dan Refleksi

Refleksi dapat terjadi dalam berbagai bentuk:

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

Pembelajaran Penguatan (RL) adalah paradigma pembelajaran utama. Agen berinteraksi dengan lingkungan, menerima umpan balik dalam bentuk hadiah atau penalti, dan mempelajari kebijakan yang memetakan kondisi ke tindakan untuk hadiah kumulatif maksimum. RL sangat berguna di lingkungan di mana data pelatihan eksplisit terbatas, seperti robotika, gaming, 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.

Menentukan 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 tersebut menjadi beberapa tugas yang lebih kecil yang dapat ditindaklanjuti. Untuk mencapai tujuan, agen melakukan tugas-tugas tersebut berdasarkan perintah atau kondisi tertentu.

Mendapatkan 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.

Mengimplementasikan 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 sela-sela penyelesaian tugas, agen mengevaluasi apakah agen telah mencapai tujuan yang ditentukan dengan mencari umpan balik eksternal dan memeriksa lognya sendiri. Selama proses ini, agen dapat membuat dan bertindak atas tugas-tugas tambahan untuk mencapai hasil akhir. 

Organisasi membuat dan men-deploy agen AI di berbagai tipe dan tugas. Kami membagikan beberapa contoh di bawah ini.

Agen Refleks Sederhana

Agen refleks sederhana beroperasi secara ketat berdasarkan aturan yang telah ditetapkan sebelumnya dan data langsungnya. Agen refleks sederhana tidak akan merespons situasi di luar aturan peristiwa, kondisi, dan tindakan tertentu. Oleh karena itu, agen ini cocok untuk tugas-tugas sederhana yang tidak memerlukan pelatihan ekstensif. Sebagai contoh, Anda dapat 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 agen berbasis model memiliki mekanisme pengambilan keputusan yang lebih canggih. Daripada hanya mengikuti aturan tertentu, agen berbasis model mengevaluasi kemungkinan hasil dan konsekuensi sebelum membuat keputusan. Dengan menggunakan data pendukung, agen tersebut 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 tersebut membandingkan berbagai pendekatan untuk membantunya mencapai hasil yang diinginkan. Agen berbasis tujuan selalu memilih jalur yang paling efisien. Agen tersebut 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 keuntungan masing-masing. Kemudian, agen tersebut memilih salah satu yang menawarkan hadiah terbanyak kepada pengguna. Misalnya, pelanggan dapat menggunakan agen berbasis utilitas untuk mencari tiket penerbangan dengan waktu tempuh minimum, berapa pun harganya.

Agen Pembelajaran

Seorang agen pembelajaran terus belajar dari pengalaman masa lalu untuk meningkatkan performanya. Dengan menggunakan input sensorik dan mekanisme umpan balik, agen mengadaptasi elemen pembelajarannya dari waktu ke waktu untuk memenuhi standar tertentu. Selain itu, agen tersebut menggunakan generator masalah untuk mendesain 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 memecah tugas-tugas kompleks menjadi tugas-tugas yang lebih kecil dan menugaskannya kepada agen dengan tingkat yang lebih rendah. Setiap agen berjalan secara independen dan mengirimkan laporan perkembangan kepada agen pengawasnya. Agen dengan tingkat yang lebih tinggi mengumpulkan hasil dan mengoordinasikan agen-agen di bawahnya untuk memastikan mereka secara kolektif mencapai tujuan.

Sistem Multiagen

Sistem multiagen (MAS) terdiri dari banyak agen yang berinteraksi satu sama lain untuk memecahkan masalah atau mencapai tujuan bersama. Agen-agen ini dapat berupa 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 tidaklah 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 membuat arus lalu lintas menjadi lebih lancar.

Agen AI adalah teknologi perangkat lunak yang sangat membantu yang mengotomatiskan alur kerja bisnis untuk mencapai hasil yang lebih baik. Oleh karena itu, organisasi harus mengatasi masalah berikut saat men-deploy 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 mengetahui persyaratan privasi data dan menerapkan langkah-langkah yang diperlukan untuk meningkatkan postur keamanan datanya.

Tantangan Etika

Dalam keadaan tertentu, model AI dapat menghasilkan hasil yang bias atau tidak akurat. Menerapkan perlindungan, seperti ulasan manusia, membantu memastikan pelanggan menerima respons yang membantu dan adil dari agen yang di-deploy.

Kompleksitas Teknis

Menerapkan agen AI tingkat lanjut 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 men-deploy agen AI deep learning membutuhkan sumber daya komputasi yang besar. Ketika organisasi mengimplementasikan agen-agen ini on-premise, mereka harus berinvestasi dan memelihara infrastruktur yang mahal serta tidak mudah diskalakan.

Amazon Bedrock adalah layanan terkelola penuh 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.

Agen Amazon Bedrock menggunakan penalaran FM, API, dan data untuk memecah permintaan pengguna, mengumpulkan informasi yang relevan, serta 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 lancar
• Kolaborasi multiagen untuk membangun banyak agen khusus di bawah koordinasi agen supervisor
• Batasan Pengaman Amazon Bedrock untuk keamanan dan keandalan bawaan.

AWS telah memperkenalkan kit alat sumber terbuka dengan katalog agen pemula yang berkembang yang dibuat khusus untuk kasus penggunaan di bidang layanan kesehatan dan ilmu hayati.

AWS Transform adalah layanan AI agentik pertama untuk mentransformasikan beban kerja .NET, mainframe, dan VMware. Dibangun berdasarkan pengalaman migrasi selama 19 tahun, layanan tersebut men-deploy 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 didesain untuk membantu Anda menemukan informasi, mendapatkan wawasan, dan mengambil tindakan di tempat kerja. Hal ini menempatkan kekuatan penciptaan 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.

Mulai Agen AI di AWS dengan Membuat Akun Gratis Sekarang Juga.