Agentic AI คืออะไร?

สรุปสั้นๆ: ระบบตัวแทนไม่ได้แค่ตอบคำถามเท่านั้น แต่ยังวางแผน ลงมือปฏิบัติ และทำซ้ำเพื่อให้บรรลุเป้าหมายโดยมีการกำกับดูแลน้อยที่สุด ระบบเหล่านี้ยังเรียกใช้เครื่องมือ เรียกดูข้อมูล ประสานงานย่อย และแม้แต่ทำงานร่วมกับตัวแทนอื่นๆ เพื่อให้บรรลุผลลัพธ์ นั่นคือหัวข้อหลัก ส่วนที่น่าสนใจคือระบบเหล่านี้ทำงานอย่างไรในทางปฏิบัติ และมีความหมายต่อทีมอย่างไรในปัจจุบัน 

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 AI scalability คืออะไร
เรียนรู้ว่า AI ที่ปรับขนาดได้ช่วยสนับสนุนการเติบโต ประสิทธิภาพ และความน่าเชื่อถือได้อย่างไร

🔗 ปัญญาประดิษฐ์ (AI) คืออะไร
ทำความเข้าใจแนวคิดหลัก ความสามารถ และการประยุกต์ใช้ทางธุรกิจในโลกแห่งความเป็นจริงของ AI

🔗 ปัญญาประดิษฐ์ที่อธิบายได้คืออะไร?
ค้นพบว่าเหตุใด AI ที่สามารถอธิบายได้จึงช่วยเพิ่มความน่าเชื่อถือ การปฏิบัติตาม และการตัดสินใจที่ดีขึ้น

🔗 AI Trainer คืออะไร
สำรวจสิ่งที่ผู้ฝึกสอน AI ทำเพื่อปรับปรุงและควบคุมดูแลโมเดล

Agentic AI คืออะไร - เวอร์ชันเรียบง่าย 🧭

Agentic AI คืออะไร ในบรรทัดเดียว: คือ AI ที่สามารถตัดสินใจโดยอัตโนมัติว่าจะทำอะไรต่อไปเพื่อให้บรรลุเป้าหมาย ไม่ใช่แค่เพียงตอบสนองต่อคำขอ ในแง่ที่เป็นกลางต่อผู้ขาย AI ผสมผสานการใช้เหตุผล การวางแผน การใช้เครื่องมือ และวงจรป้อนกลับ เพื่อให้ระบบสามารถเปลี่ยนจากความตั้งใจไปสู่การปฏิบัติจริง กล่าวคือ "ทำให้สำเร็จ" มากขึ้น หรือ "กลับไปกลับมา" น้อยลง คำจำกัดความจากแพลตฟอร์มหลักๆ สอดคล้องกันในประเด็นเหล่านี้: การตัดสินใจ การวางแผน และการดำเนินการแบบอัตโนมัติ โดยมีการแทรกแซงจากมนุษย์น้อยที่สุด [1] บริการการผลิต หมายถึงเอเจนต์ที่ควบคุมโมเดล ข้อมูล เครื่องมือ และ API เพื่อดำเนินงานให้เสร็จสมบูรณ์แบบครบวงจร [2]

ลองนึกถึงเพื่อนร่วมงานที่มีความสามารถซึ่งอ่านข้อมูลสรุป รวบรวมทรัพยากร และส่งมอบผลลัพธ์โดยการตรวจสอบ ไม่ใช่การช่วยเหลือแบบประคับประคอง

อะไรทำให้ AI เป็นตัวแทนที่ดี ✅

ทำไมถึงมีกระแสฮือฮา (และบางครั้งก็มีความวิตกกังวล) ด้วยเหตุผลบางประการ:

• โฟกัสผลลัพธ์: ตัวแทนแปลงเป้าหมายเป็นแผน จากนั้นดำเนินการตามขั้นตอนจนกว่าจะเสร็จสิ้น หรือทำงานแบบไร้การปิดกั้นสำหรับมนุษย์ [1]

• การใช้เครื่องมือตามค่าเริ่มต้น: เครื่องมือไม่ได้หยุดอยู่แค่ข้อความ แต่จะเรียกใช้ API สอบถามฐานความรู้ เรียกใช้ฟังก์ชัน และทริกเกอร์เวิร์กโฟลว์ในสแต็กของคุณ [2]

• รูปแบบผู้ประสานงาน: หัวหน้างาน (หรือเรียกอีกอย่างว่าเราเตอร์) สามารถมอบหมายงานให้กับตัวแทนผู้เชี่ยวชาญ ปรับปรุงปริมาณงานและความน่าเชื่อถือในงานที่ซับซ้อน [2]

• วงจรสะท้อนกลับ: การตั้งค่าที่แข็งแกร่งรวมถึงการประเมินตนเองและตรรกะการลองใหม่อีกครั้ง เพื่อให้ตัวแทนสังเกตเห็นเมื่อพวกเขาออกนอกเส้นทางและแก้ไขเส้นทาง (คิด: วางแผน → ดำเนินการ → ตรวจสอบ → ปรับปรุง) [1]

ตัวแทนที่ไม่เคยสะท้อนกลับก็เหมือนกับระบบนำทางที่ปฏิเสธที่จะคำนวณใหม่ ซึ่งในทางเทคนิคก็ถือว่าใช้ได้ แต่ในทางปฏิบัติกลับสร้างความรำคาญ

Generative vs. agentic - อะไรเปลี่ยนไปจริงๆ? 🔁

AI แบบสร้างกำเนิดคลาสสิกตอบสนองได้อย่างยอดเยี่ยม ส่วน AI แบบเอเจนต์ให้ผลลัพธ์ ความแตกต่างอยู่ที่การประสานงาน: การวางแผนหลายขั้นตอน การโต้ตอบกับสภาพแวดล้อม และการดำเนินการแบบวนซ้ำที่เชื่อมโยงกับเป้าหมายที่คงอยู่ กล่าวอีกนัยหนึ่งคือ เราเพิ่มหน่วยความจำ เครื่องมือ และนโยบาย เพื่อให้ระบบสามารถ ดำเนินการได้ ไม่ใช่แค่ พูด [1][2]

หากโมเดลเชิงกำเนิดคือนักศึกษาฝึกงานที่ชาญฉลาด ระบบตัวแทนคือผู้ร่วมงานระดับจูเนียร์ที่สามารถไล่ตามแบบฟอร์ม เรียกใช้ API ที่ถูกต้อง และผลักดันงานให้สำเร็จลุล่วง อาจจะพูดเกินจริงไปบ้าง แต่คุณเข้าใจความรู้สึกนั้น

ระบบตัวแทนทำงานอย่างไรภายใต้ประทุน 🧩

องค์ประกอบสำคัญที่คุณจะได้ยินเกี่ยวกับ:

1. การแปลเป้าหมาย → ข้อมูลสรุปจะกลายเป็นแผนหรือกราฟที่มีโครงสร้าง

2. วงจรผู้วางแผน–ผู้ดำเนินการ → เลือกการดำเนินการที่ดีที่สุดถัดไป ดำเนินการ ประเมิน และทำซ้ำ

3. การเรียกเครื่องมือ → เรียกใช้ API การดึงข้อมูล อินเทอร์พรีเตอร์โค้ด หรือเบราว์เซอร์เพื่อส่งผลต่อโลก

4. หน่วยความจำ → สถานะระยะสั้นและระยะยาวสำหรับการส่งต่อบริบทและการเรียนรู้

5. หัวหน้างาน/เราเตอร์ → ผู้ประสานงานที่มอบหมายงานให้กับผู้เชี่ยวชาญและบังคับใช้นโยบาย [2]

6. การสังเกตและราวกันตก → การติดตาม นโยบาย และการตรวจสอบเพื่อควบคุมพฤติกรรมให้อยู่ในขอบเขต [2]

คุณยังจะได้เห็น RAG แบบเอเจนต์ : การดึงข้อมูลที่ช่วยให้เอเจนต์ตัดสินใจว่า จะค้นหา เมื่อใด อะไร และ อย่างไร ภายในแผนแบบหลายขั้นตอน เป็นการยกระดับจาก RAG พื้นฐานที่ใช้งานได้จริงมากขึ้น ไม่ใช่แค่คำฮิตติดปากอีกต่อไป

การใช้งานจริงที่ไม่ใช่แค่การสาธิต 🧪

• เวิร์กโฟลว์ขององค์กร: การคัดกรองตั๋ว ขั้นตอนการจัดซื้อ และการสร้างรายงานที่ตรงกับแอป ฐานข้อมูล และนโยบายที่ถูกต้อง [2]

• ซอฟต์แวร์และการดำเนินการข้อมูล: ตัวแทนที่เปิดปัญหา เชื่อมโยงแดชบอร์ด เริ่มการทดสอบ และสรุปความแตกต่างพร้อมบันทึกที่ผู้ตรวจสอบของคุณสามารถปฏิบัติตามได้ [2]

• การดำเนินงานของลูกค้า: การติดต่อแบบเฉพาะบุคคล การอัปเดต CRM การค้นหาฐานความรู้ และการตอบสนองที่เป็นไปตามข้อกำหนดที่เชื่อมโยงกับคู่มือ [1][2]

• การวิจัยและวิเคราะห์: การสแกนวรรณกรรม การล้างข้อมูล และสมุดบันทึกที่ทำซ้ำได้พร้อมเส้นทางการตรวจสอบ

ตัวอย่างง่ายๆ ที่เป็นรูปธรรม: “เจ้าหน้าที่ฝ่ายขาย” ที่อ่านบันทึกการประชุม อัปเดตโอกาสทางการขายใน CRM ของคุณ ร่างอีเมลติดตามผล และบันทึกกิจกรรม ไม่มีอะไรน่ากังวล แค่ลดงานเล็กๆ น้อยๆ ที่ต้องให้คนทำแทน

เครื่องมือภูมิทัศน์-ใครเสนออะไร 🧰

จุดเริ่มต้นทั่วไปบางประการ (ไม่ครอบคลุมทั้งหมด):

• Amazon Bedrock Agents → การประสานงานหลายขั้นตอนด้วยเครื่องมือและการรวมฐานความรู้ รวมถึงรูปแบบการควบคุมดูแลและราวกั้น [2]

• Vertex AI Agent Builder → ADK ความสามารถในการสังเกต และคุณลักษณะด้านความปลอดภัยในการวางแผนและดำเนินการงานโดยมีการแทรกแซงของมนุษย์น้อยที่สุด [1]

มีเฟรมเวิร์กออร์เคสเตรชันโอเพ่นซอร์สอยู่มากมาย แต่ไม่ว่าคุณจะเลือกวิธีใด รูปแบบหลักๆ จะยังคงเหมือนเดิม ได้แก่ การวางแผน เครื่องมือ หน่วยความจำ การดูแล และการสังเกต

การเปรียบเทียบภาพสแน็ปช็อต 📊

ทีมจริงถกเถียงกันถึงเรื่องนี้อยู่แล้ว - ถือว่านี่เป็นแผนที่ทิศทาง

ราคาจะแตกต่างกันไปตามการใช้งาน โปรดตรวจสอบหน้าราคาของผู้ให้บริการเสมอ

รูปแบบสถาปัตยกรรมที่คุณจะนำมาใช้ซ้ำได้จริง 🧱

• วางแผน → ดำเนินการ → สะท้อนความคิด: นักวางแผนร่างขั้นตอน ผู้ปฏิบัติดำเนินการ และผู้วิจารณ์ตรวจสอบ ล้างออกและทำซ้ำจนกว่าจะเสร็จสิ้นหรือดำเนินการขั้นต่อไป [1]

• หัวหน้างานพร้อมผู้เชี่ยวชาญ: ผู้ประสานงานจะมอบหมายงานให้กับตัวแทนเฉพาะกลุ่ม เช่น นักวิจัย ผู้เขียนโค้ด ผู้ทดสอบ ผู้ตรวจสอบ [2]

• การดำเนินการแบบแซนด์บ็อกซ์: เครื่องมือโค้ดและเบราว์เซอร์ทำงานภายในแซนด์บ็อกซ์ที่มีข้อจำกัดพร้อมสิทธิ์ที่เข้มงวด บันทึก และสแตกตารางสวิตช์หยุดการทำงานสำหรับตัวแทนการผลิต [5]

สารภาพสั้นๆ: ทีมส่วนใหญ่เริ่มต้นด้วยเอเจนต์มากเกินไป น่าสนใจมาก เริ่มต้นด้วยการเพิ่มบทบาทขั้นต่ำเฉพาะเมื่อตัวชี้วัดบอกว่าคุณต้องการเท่านั้น

ความเสี่ยง การควบคุม และเหตุใดการกำกับดูแลจึงมีความสำคัญ 🚧

AI แบบเอเจนต์สามารถทำงานจริงได้ ซึ่งหมายความว่ามันสามารถสร้างความเสียหายได้จริงหากตั้งค่าผิดพลาดหรือถูกแฮ็ก มุ่งเน้นไปที่:

• การแทรกข้อมูลแบบทันทีและการแฮ็กเอเจนต์: เมื่อเอเจนต์อ่านข้อมูลที่ไม่น่าเชื่อถือ คำสั่งที่เป็นอันตรายสามารถเปลี่ยนเส้นทางพฤติกรรมได้ สถาบันชั้นนำกำลังทำการวิจัยอย่างแข็งขันเกี่ยวกับวิธีการประเมินและลดความเสี่ยงประเภทนี้ [3]

• การเปิดเผยความเป็นส่วนตัว: ลดการลงมือทำ อนุญาตสิทธิ์มากขึ้น จัดทำแผนที่การเข้าถึงข้อมูลและระบุตัวตนอย่างระมัดระวัง (หลักการของสิทธิ์ที่น้อยที่สุด)

• การประเมินความสมบูรณ์: พิจารณาคะแนนมาตรฐานที่ดูดีด้วยความระมัดระวัง เลือกการประเมินที่ทำซ้ำได้ในระดับงานและเชื่อมโยงกับเวิร์กโฟลว์ของคุณ

• กรอบการกำกับดูแล: สอดคล้องกับคำแนะนำที่มีโครงสร้าง (บทบาท นโยบาย การวัดผล การบรรเทา) เพื่อให้คุณสามารถแสดงให้เห็นถึงความรอบคอบ [4]

สำหรับการควบคุมทางเทคนิค ให้จับคู่การกำหนดนโยบายกับ แซนด์บ็อกซ์ : แยกเครื่องมือ โฮสต์ และเครือข่าย บันทึกทุกอย่าง และปฏิเสธค่าเริ่มต้นใดๆ ที่คุณไม่สามารถตรวจสอบได้ [5]

วิธีเริ่มต้นสร้างรายการตรวจสอบเชิงปฏิบัติ 🛠️

1. เลือกแพลตฟอร์มสำหรับบริบทของคุณ: หากคุณเชี่ยวชาญด้าน AWS หรือ Google Cloud ตัวแทนของพวกเขาจะรวมระบบเข้าด้วยกันได้อย่างราบรื่น [1][2]

2. กำหนดขอบเขตการป้องกันก่อน: อินพุต เครื่องมือ ขอบเขตข้อมูล รายการอนุญาต และเส้นทางการยกระดับ เชื่อมโยงการดำเนินการที่มีความเสี่ยงสูงกับการยืนยันที่ชัดเจน [4]

3. เริ่มต้นด้วยเป้าหมายที่แคบ: กระบวนการเดียวที่มี KPI ที่ชัดเจน (เวลาที่ประหยัด อัตราข้อผิดพลาด อัตราการบรรลุ SLA)

4. เครื่องมือทุกอย่าง: ร่องรอย บันทึกการเรียกใช้เครื่องมือ เมตริก และวงจรข้อเสนอแนะของมนุษย์ [1]

5. เพิ่มการสะท้อนและการลองใหม่: ชัยชนะครั้งแรกของคุณมักมาจากลูปที่ฉลาดกว่า ไม่ใช่โมเดลที่ใหญ่กว่า [1]

6. โครงการนำร่องในแซนด์บ็อกซ์: รันด้วยสิทธิ์ที่จำกัดและแยกเครือข่ายก่อนเปิดตัวในวงกว้าง [5]

ตลาดกำลังมุ่งหน้าไปทางไหน 📈

ผู้ให้บริการคลาวด์และองค์กรธุรกิจต่างให้ความสำคัญกับความสามารถของเอเจนต์อย่างจริงจัง ไม่ว่าจะเป็นการกำหนดรูปแบบเอเจนต์หลายตัวให้เป็นทางการ เพิ่มฟีเจอร์การสังเกตการณ์และความปลอดภัย และยกระดับนโยบายและอัตลักษณ์ให้อยู่ในระดับชั้นนำ ประเด็นสำคัญคือการเปลี่ยนจากผู้ช่วยที่ ให้คำแนะนำ ไปเป็นเอเจนต์ที่ ให้ โดยมีรั้วกั้นเพื่อให้พวกเขาอยู่ในขอบเขตที่กำหนด [1][2][4]

คาดหวังตัวแทนเฉพาะโดเมนมากขึ้น - การดำเนินงานด้านการเงิน การทำงานอัตโนมัติของไอที ​​การดำเนินงานด้านการขาย - เนื่องจากแพลตฟอร์มดั้งเดิมมีความสมบูรณ์มากขึ้น

หลุมพรางที่ต้องหลีกเลี่ยง - ส่วนที่สั่นคลอน 🪤

• มีเครื่องมือมากเกินไปที่เปิดเผย: ยิ่งเข็มขัดเครื่องมือใหญ่ รัศมีการระเบิดก็ยิ่งกว้างขึ้น เริ่มจากจุดเล็กๆ

• ไม่มีเส้นทางการยกระดับ: หากไม่มีการส่งมอบจากมนุษย์ ตัวแทนจะวนซ้ำ หรือแย่กว่านั้นคือ กระทำอย่างมั่นใจและผิดพลาด

• วิสัยทัศน์อุโมงค์มาตรฐาน: สร้างการประเมินของคุณเองที่สะท้อนเวิร์กโฟลว์ของคุณ

• การละเลยการกำกับดูแล: กำหนดเจ้าของสำหรับนโยบาย การตรวจสอบ และการทำงานเป็นทีมสีแดง การควบคุมแผนที่ไปยังกรอบงานที่ได้รับการยอมรับ [4]

คำถามที่พบบ่อย (FAQ) รอบด่วน ⚡

AI แบบเอเจนต์เป็นเพียง RPA ที่มี LLM หรือไม่? ไม่ค่อยใช่เสียทีเดียว RPA ปฏิบัติตามสคริปต์แบบกำหนดตายตัว ระบบเอเจนต์จะวางแผน เลือกเครื่องมือ และปรับตัวได้ทันทีภายใต้ความไม่แน่นอนและวงจรป้อนกลับ [1][2]
มันจะเข้ามาแทนที่มนุษย์หรือไม่? มันช่วยลดภาระงานซ้ำซากหลายขั้นตอน ความสนุกในการทำงาน เช่น การตัดสินใจ รสนิยม และการเจรจาต่อรอง ยังคงขึ้นอยู่กับมนุษย์
ฉันจำเป็นต้องใช้เอเจนต์หลายตัวตั้งแต่วันแรกหรือไม่? ไม่จำเป็น ชัยชนะมากมายมาจากเอเจนต์ที่มีเครื่องมือครบครันเพียงตัวเดียวพร้อมเครื่องมือไม่กี่อย่าง เพิ่มบทบาทหากตัวชี้วัดของคุณเหมาะสม

นานเกินไปแล้วที่ฉันไม่ได้อ่าน🌟

Agentic AI คืออะไร ในทางปฏิบัติ? มันคือชุดรวมของการวางแผน เครื่องมือ หน่วยความจำ และนโยบายที่ช่วยให้ AI ก้าวข้ามจากการพูดคุยไปสู่การทำงานจริง คุณค่าจะปรากฏขึ้นเมื่อคุณกำหนดขอบเขตเป้าหมายที่แคบ กำหนดขอบเขตการทำงานล่วงหน้า และจัดทำเครื่องมือทุกอย่าง ความเสี่ยงคือการถูกแฮ็กจริง การเปิดเผยข้อมูลส่วนบุคคล การประเมินที่ไม่แน่นอน ดังนั้นควรพึ่งพาเฟรมเวิร์กที่เป็นที่ยอมรับและการทำแซนด์บ็อกซ์ สร้างขนาดเล็ก วัดผลอย่างเข้มข้น และขยายงานด้วยความมั่นใจ [3][4][5]

เอกสารอ้างอิง

1. Google Cloud - AI เชิงเอเจนต์คืออะไร (คำจำกัดความ แนวคิด) ลิงก์

2. AWS - ทำงานอัตโนมัติในแอปพลิเคชันของคุณโดยใช้ตัวแทน AI (เอกสารตัวแทน Bedrock) ลิงก์

3. บล็อกทางเทคนิคของ NIST - การเสริมสร้างการประเมินการแฮ็กตัวแทน AI (ความเสี่ยงและการประเมิน) ลิงก์

4. NIST - กรอบการจัดการความเสี่ยงด้าน AI (AI RMF) (การกำกับดูแลและการควบคุม) ลิงก์

5. UK AI Safety Institute - ตรวจสอบ: Sandboxing (คำแนะนำด้าน Sandboxing ทางเทคนิค) ลิงก์

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา