Perusahaan telah mempercepat upaya mereka untuk mengintegrasikan AI ke dalam operasional. Baru-baru ini, banyak yang meluncurkan proyek percontohan untuk mengembangkan sistem berbasis agen di berbagai domain. Sebagian besar agen ini sangat bergantung pada kemampuan model dasar yang berpusat pada percakapan seperti GPT atau Gemini. Namun seiring dengan penerapan aplikasi cerdas berbasis agen yang lebih mumpuni, kita harus memanfaatkan model yang berpusat pada agen untuk melakukan penalaran, perencanaan, koordinasi, dan pembelajaran. Agen tersebut perlu memasukkan komponen neurosimbolik yang mengakses Model Penalaran Besar, Model Tindakan Besar, dan model khusus agen lainnya. Daripada berkomunikasi menggunakan bahasa alami, seperti yang terjadi saat ini, sistem multi-agen perlu berkomunikasi menggunakan bahasa khusus bersama dengan protokol komunikasi yang sesuai.
Model yang Digunakan Agen
Dalam postingan terbaru, “Mengembangkan Spektrum Agen AI dari Perangkat Lunak menjadi AI yang Terwujud,” Saya mengatur agen AI dalam spektrum enam tingkat berdasarkan kemampuan mereka. Dalam kerangka tersebut, saya menjelaskan bagaimana agen berkembang dari asisten sederhana berbasis perangkat lunak (Level 1) menjadi agen yang sepenuhnya otonom (Level 6).
LLM yang berpusat pada percakapan saat ini mendukung agen Tingkat 2, yang terutama menafsirkan dan merespons instruksi manusia menggunakan bahasa alami. Mereka dapat mengotomatiskan tugas-tugas rutin, membantu pengambilan informasi, dan membantu pengambilan keputusan melalui antarmuka percakapan. Misalnya, “Agen SDM” Tingkat 2 yang mengakses model dasar yang berpusat pada percakapan dapat digunakan untuk menyaring resume kandidat untuk posisi perusahaan tertentu. Demikian pula, “agen paralegal” Tingkat 2 dapat digunakan untuk meninjau kontrak perusahaan.
Ketika perusahaan maju ke agen Level 4–6, fokus utama LLM, yaitu kefasihan berbahasa, akan gagal dalam melakukan tugas-tugas yang melibatkan penalaran multi-langkah, tindakan otonom, dan koordinasi antar agen. Misalnya, pertimbangkan sistem pemeliharaan prediktif multi-agen komprehensif yang digunakan di bidang manufaktur. Agennya perlu memprediksi kegagalan peralatan, menjadwalkan ulang produksi secara dinamis, memesan suku cadang, dan bekerja sama dengan sistem robot. Untuk mencapai hal ini memerlukan dua jenis model AI yang berbeda:
- Model Aksi Besar (LAM) untuk intelijen operasional
- Model Penalaran Besar (LRM) untuk penalaran dan perencanaan
Komponen neurosimbolik yang merupakan bagian dari agen tingkat tinggi ini memanfaatkan model tersebut untuk menyelesaikan tugas yang diberikan kepadanya.
Model Aksi Besar
Selama setahun terakhir, kita telah menyaksikan pesatnya hal ini munculnya LAM. Ini adalah model AI kelas baru yang dirancang untuk menerjemahkan persepsi dan konteks menjadi tindakan. LAM menghasilkan tindakan yang memungkinkan agen untuk merencanakan dan melaksanakan rangkaian operasi yang kompleks baik di lingkungan digital maupun fisik.
Model Tindakan Besar memodelkan hubungan antara keadaan, tujuan, dan tindakan. Mereka belajar dari data interaksi, seperti panggilan API, sinyal kontrol robot, dan operasi perangkat lunak, bukan dari teks statis. Model-model ini mempelajari “bagaimana” bertindak dalam konteks, mengintegrasikan persepsi (apa yang terjadi), penalaran (apa yang harus dilakukan), dan kontrol (bagaimana melakukannya).
Google RT-2 DeepMind dan NVIDIA Platform kosmos adalah LAM yang canggih.
Model Penalaran Besar
Untuk memungkinkan transisi ke Level 5 (Pembelajaran Otonom), agen memerlukan struktur kognitif khusus yang disediakan oleh Model Penalaran Besar. LRM menyediakan komponen kognitif yang menggerakkan LAM. Mereka telah terstruktur secara arsitektural dan dilatih secara khusus untuk melakukan musyawarah, bukan percakapan umum.
Mereka menggunakan teknik musyawarah formal seperti Pencarian Pohon Pemikiran (ToT).memungkinkan model mengeksplorasi berbagai solusi potensial, mengevaluasi logikanya, dan memilih jalur yang paling aman dan tangguh. LRM dirancang untuk melampaui hal tersebut pencocokan pola (adaptasi situasional) hingga deduksi abstrak, memungkinkan agen bertindak efektif dalam situasi baru, yang merupakan ciri khas otonomi Tingkat 5.
Bahasa Koordinasi
Menggunakan bahasa alami untuk komunikasi antar agen dalam sistem multi-agen tidak efektif. Bahasa alami terlalu lambat dan ambigu. Komunikasi antar agen harus mengutamakan efisiensi dan presisi. Sebaliknya, agen harus berkomunikasi menggunakan struktur data standar yang secara eksplisit mengartikulasikan maksud dan konten pesan, menggantikan teks verbose dengan pertukaran terstruktur dan bandwidth tinggi.
Bahasa Komunikasi Agen (ACL), seperti KQML Dan PATAHmengharuskan setiap pesan harus berisi maksud dan muatan konten terstruktur. Agen bertukar perintah formal seperti (REQUEST :sender SchedulingAgent :content check_part_availability), yang tidak ambigu dan langsung dapat dibaca mesin.
Pesan terstruktur diatur oleh protokol yang menegakkan keandalan dan keamanan, sehingga memungkinkan agen untuk berkoordinasi. Itu Protokol Agen-ke-Agen (A2A). menstandardisasi transfer pesan terstruktur yang aman dan andal antar agen. Ini merupakan keharusan untuk sistem multi-agen Level 4 dan 6. Dalam sistem seperti itu, agen dari aplikasi perusahaan yang berbeda, misalnya Agen Pemeliharaan dan Agen Pemesanan ERP, harus berkolaborasi dengan lancar dan menjaga konteks di seluruh alur kerja yang berjalan lama. Itu Protokol Konteks Model (MCP) menstandardisasi interaksi “model-ke-alat”. Hal ini memastikan bahwa agen selalu menyediakan model dasarnya dengan alat, memori, dan konteks dasar yang diperlukan. Hal ini menghasilkan tanggapan yang dapat diandalkan. MCP membantu menjamin stabilitas dan non-halusinasi proses penalaran.
Menjembatani LLM dan LAM dalam AI Perusahaan
LLM yang berpusat pada percakapan akan terus memfasilitasi interaksi manusia-agen, sementara LRM/LAM akan menangani perencanaan dan pelaksanaan. Perusahaan sedang bereksperimen dengan paradigma ini di berbagai bidang seperti otomatisasi layanan pelanggan, pemeliharaan industri, dan operasi digital. Seiring waktu, integrasi ini dapat berkembang menuju model landasan yang berpusat pada agen yang menggabungkan kecerdasan percakapan, persepsi, dan operasional. Model seperti itu akan mampu memberikan alasan tentang bahasa dan tindakan dalam kerangka semantik yang sama. Mereka akan memungkinkan kolaborasi otonom, memori jangka panjang, dan pengambilan keputusan adaptif dalam lingkungan perusahaan yang dinamis.
Seperti Profesor Gary Marcus baru-baru ini berdebatmasa depan AI terletak pada sistem khusus yang mengintegrasikan berbagai bentuk penalaran dibandingkan mengandalkan model tujuan umum yang monolitik. Model fondasi yang berpusat pada agen mewujudkan visi ini dengan tepat. Mereka bergerak melampaui pemahaman bahasa umum menuju kecerdasan kontekstual dan berorientasi pada tindakan untuk membuat keputusan konsekuensial.
Melihat ke Depan
Perusahaan akan bertransisi dari aplikasi monolitik yang disempurnakan dengan AI ke sistem multi-agen yang mengutamakan AI yang akan menggunakan model yang berpusat pada agen. Munculnya model yang berpusat pada agen menandakan munculnya infrastruktur kognitif di perusahaan. Infrastruktur ini akan mengintegrasikan berbagai tipe model (LLM, LRM, LAM) dengan komponen penalaran neurosimbolis dan protokol komunikasi formal (A2A, MCP). Perusahaan yang berhasil dalam transisi ini akan memahami dan merespons maksud pelanggan dan pengguna mereka secara akurat, efisien, dan aman.
