AI-agenter til virksomheder og arbejdsgang
AI-agenter er intelligente løsninger, der består af en stor sprogmodel (LLM), som vi kender fra ChatGPT, og som har adgang til værktøjer. Agenten kan selv vælge, hvordan den vil bruge disse digitale værktøjer til at udføre opgaver. Det kan ske mere eller mindre autonomt.
Large Language Models
De fleste kender ChatGPT og GPT-4 fra OpenAI, men der findes mange andre lignende løsninger, såsom Bloom fra Hugging Face, LLaMA fra Meta og Palm2 fra Google. Når man bygger AI-agenter, vælges LLM baseret på behov for åbenhed, det eksisterende IT-landskab, use case og sikkerhed.
Værktøjer til AI-agenter
Agentens værktøjer, kendt som “tools,” kan omfatte alt fra adgang til en e-mail-indbakke, hvor den kan skrive og læse e-mails, til dokumentsystemer og online søgemaskiner som Google.
Hvis man for eksempel bygger en agent til at håndtere kundesupport, vil det være relevant, at agenten selv kan finde og læse tidligere e-mails fra kunder og have adgang til den dokumentation og vejledninger, som en menneskelig supporter også ville bruge.
Uden værktøjer har agenten kun adgang til den viden, den er trænet på i den underliggende sprogmodel, hvilket typisk er generel viden fra internettet. Med værktøjer kan agenten få specifik viden fra din virksomhed.
AI-agenter: Et eksempel
Se et helt konkret eksempel på en AI-agent. I videoen fortæller vores AI-eksperter Bonnie og Benjamin, hvad agenten er og kan, hvordan den bruger AI og hvem der kan brugelige netop denne type agent.
Agenten hedder Casey, den har adgang til en række digitale værktøjer og så den er særligt god til at behandle sager.
Hvad kan man bruge AI-agenter til?
Her er tre arketyper af agentløsninger.
Typiske værktøjer
- Dokumentadgang
- Adgang til sager
Opsætning
Her er agenten typisk udviklet med det formål at opnå et specifikt mål eller output og guider derfor brugeren i høj grad mod dette mål.
Brugerne er eksempelvis
- Advokater
- Fagforeninger
- Supportere
En sagbehandlingsagent er i stand til at indsamle information fra forskellige kilder og samarbejde med brugeren for at vurdere sagen. Den kombinerer data og brugerinput for at generere en omfattende og velfunderet indstilling eller løsning som svar på sagen. Denne automatisering af sagbehandlingen optimerer beslutningsprocessen og sikrer nøjagtige og effektive resultater.
Typiske værktøjer
- Dokumentadgang
- Søgemaskine
- Tone-of-voice
- Upload af filer
Opsætning
Her kan agenten både være rettet mod et specifikt mål, som for eksempel at generere en produkttekst, og samtidig være meget autonom. Hvis agenten bruges til for eksempel marketingindhold, kan den være mere fleksibel i opsætningen og kræve, at brugeren styrer processen.
Brugerne er eksempelvis
- Marketingfolk
- Kreative
- HR
Typiske værktøjer
- Dokumentadgang
- Søgemaskine
- Database
Opsætning
Her er agenten meget frit opsat med et chat-interface. Det betyder, at brugeren skal være den proaktive part, og brugeren skal have en høj grad af ekspertise for at få udbytte af at bruge agenten.
Brugerne er eksempelvis
- Ledere
- Advokater
- Eksperter
Hvordan kommer man i gang?
Inden du får lavet en agent, skal du overveje formålet og forretningen. Brugernes behov og forretningens mål kommer stadig før teknologien. Du bør tænke over følgende:
- Hvorfor skal brugeren vælge agenten over deres nuværende proces?
- Hvordan vil jeg måle, om agenten gør en forskel?
- Har jeg adgang til de nødvendige data og værktøjer for at understøtte agenten?
Det er en god idé at starte med en lille og veldefineret proces for få brugere. Når du har klart for dig, hvad din agent skal kunne håndtere, kan du konfigurere den med passende parametre.
I grafikken kan du se et eksempel på, hvordan en agent er korrigeret i de forskellige parametre.
Autonom
Proaktiv
Adaptiv
Kontekstbevidst
Målrettet
Skræddersyet
Use cases skal vælges smart
Når man leder efter usecases, er der særligt en ting, man skal være opmærksom på. Man skal kigge efter de tilfælde, hvor det indhold, agenten skal generere, er udfordrende for mennesker at skabe. Samtidig skal det dog være let for brugeren at verificere, om indholdet er korrekt.
Teknologien bag AI-agenter har stadig grænser
Agenten kan løse mange problemer og giver mange muligheder. Men der er stadig udfordringer.
Validering af output
AI-agenter kan opleve hallucinationer, hvilket betyder, at agenten kan generere svar, der ikke er i overensstemmelse med virkeligheden. Dette kan begrænses, men ikke fuldstændigt elimineres. Derfor er det nødvendigt, at brugerne har evnen til at verificere, om agenten er på rette spor.
Hukommelse
Agenter er baseret på LLM’er, der kun har en begrænset korttidshukommelse. Dette betyder, at ved længere brug, f.eks. i samme sag, kan en agent glemme informationer. Dette kræver, at agentens arbejde opdeles i passende segmenter, og at agenten teknisk konfigureres til at bevare vigtig information i længere tid.
Det er også vigtigt at forstå, at agentens svar ikke altid behøver at være rigtige. At finde den bedste løsning er et samarbejde mellem bruger og agent. Det indebærer læring og tilpasning, men hvis man investerer indsatsen, kan værdien være betydelig.
Vil du prøve det?
Vores agenteksperter tager ud og demonstrerer af en af vores agenter til virksomheder, og de kan også bookes til en prøvetime, hvor man får mulighed for selv at afprøve at arbejde med en agent.
Skriv til os her
Udfyld dine oplysninger, og vi vil kontakte dig så hurtigt som muligt.