- Ang mga ahente ng AI ay mga dalubhasang software system na kusang nagsasagawa ng mga gawain, mula sa mga simpleng reaksyon tulad ng pagbubukas ng mga pinto hanggang sa kumplikadong paggawa ng desisyon tulad ng pamamahala sa trapiko o mga pinansiyal na kalakalan.
- Ang mga ahente ng reflex na nakabatay sa modelo ay nagpapanatili ng isang panloob na modelo ng mundo upang pangasiwaan ang mga hindi mahulaan na kapaligiran, at ang mga ahente ng pag-aaral ay umaangkop sa paglipas ng panahon batay sa bagong data at mga karanasan.
- Ang mga hierarchical at multi-agent system ay naghahati ng mga gawain sa maraming ahente o layer ng AI, na nagpapagana ng sopistikadong koordinasyon sa mga larangan tulad ng pagmamanupaktura, logistik, at matalinong lungsod.
- Pinagsasama ng mga robotic at virtual assistant agent ang mga pisikal o digital na aksyon sa pangangatwiran ng AI, na nagpapahintulot sa mga application mula sa mga surgical robot hanggang sa mga voice assistant tulad ni Alexa at Siri.
Habang ang mga ahente ng AI ay gumawa ng mga tech na headline sa buong mundo, ang mga tunay na halimbawa ng mga ahente ng AI ay hindi palaging halata.
Sa artikulong ito, dadalhin kita sa mga uri ng mga ahente ng AI na may mga halimbawa ng bawat isa . Ngunit tandaan: kahit na hinati ang mga ito ayon sa uri, karamihan sa mga advanced na AI system ay mga kumbinasyon ng maraming uri ng mga ahente ng AI.
Halimbawa, ang mga self-driving na sasakyan - o mga autonomous na sasakyan - ay kinabibilangan ng mga utility-based na ahente, layunin-based na mga ahente, modelo-based reflex agent, at learning agent. Ito ay isang kumplikadong proseso, kaya nangangailangan ito ng maraming gumagalaw na bahagi.
At ito ay parehong premise para sa mga ahente ng AI sa pamamahala ng supply chain . Gagamit sila ng ilang uri ng mga ahente upang ma-optimize ang logistik, pamamahala ng imbentaryo, stocking, at paghahatid.
Ngunit para gawing mas madali, sumisid tayo sa kung ano ang idinisenyo upang magawa ng bawat uri ng ahenteng AI , na may ilang mga halimbawa kung paano ito nagpapakita sa totoong mundo.
Halimbawa, ang mga ahente ng AI ay lalong nagiging mga enterprise bot para sa mga gawain na dati ay imposibleng i-automate. Ang mga flexible na platform ng pagbuo ng AI ay nangangahulugan na ang mga kaso ng paggamit ay walang katapusan.
- Ginagamit ang mga ahente ng E-commerce AI upang mag-order, sumubaybay at magbigay ng mga update sa pagpapadala, mapadali ang paghahanap na nakabatay sa imahe, magpadala ng mga follow-up tungkol sa pag-abandona sa cart, magbigay ng mga review ng produkto mula sa mga nakaraang customer, at magbigay ng mga personalized na suhestiyon sa produkto sa mga user.
- Karamihan sa mga ahente ng AI ay ginawa sa Botpress ay ginagamit para sa mga function ng pagbebenta at marketing, tulad ng AI lead generation o iba pa mga paraan ng paggamit ng AI sa pagbebenta.
- Ang mga ahenteng ito ay maaaring bumuo ng mga listahan ng lead, magpadala ng mga personalized na komunikasyon, at maging kwalipikado ang mga lead (mas mahusay pa kaysa sa isang tao). Maaari nilang istratehiya at mapadali ang mga kampanya sa marketing, at magpatakbo ng mga pagsusuri sa mga kakumpitensya.
- Sa Suporta sa customer ng AI, ang mga ahente ng AI ay makakagawa ng mga aksyon sa ngalan ng mga user, tulad ng pagpapalit ng kanilang password o pamamahala ng refund.
- Maaari silang magbigay ng mungkahi sa produkto at kahit na advanced na teknikal na suporta . ( Pinigilan ng aming mga kliyente ang kanilang mga tiket sa suporta ng 65% sa mga ahente ng AI.)
- Ang mga hotel at iba pang negosyo ng hospitality ay ganap na angkop sa mga AI assistant: ang mga ito ay multilingual, 24/7, at madaling ma-access ng mga bisita. Maaaring i-streamline ng mga ahente ng AI para sa mga hotel ang mga serbisyo sa silid, magmungkahi ng mga kalapit na amenity, mag-upsell ng mga serbisyo ng hotel, at tumulong sa mga kawani na ayusin ang mga pangangailangan.
1. Mga Ahente na Nakabatay sa Utility
Hindi tulad ng mga mas simpleng ahente na maaaring tumugon lamang sa mga stimuli sa kapaligiran, sinusuri ng mga ahente na nakabatay sa utility ang kanilang mga potensyal na aksyon batay sa inaasahang utility . Huhulaan nila kung gaano kapaki-pakinabang o kapaki-pakinabang ang bawat opsyon patungkol sa kanilang itinakdang layunin.
Ang mga ahente na nakabatay sa utility ay mahusay sa mga kumplikadong kapaligiran sa paggawa ng desisyon na may maraming potensyal na resulta - tulad ng pagbabalanse ng iba't ibang mga panganib upang makagawa ng mga desisyon sa pamumuhunan, o timbangin ang mga side effect ng mga opsyon sa paggamot.
Ang utility function ng mga intelligent na ahente na ito ay isang matematikal na representasyon ng mga kagustuhan nito. Ang function ng utility ay nagmamapa sa mundo sa paligid nito, nagpapasya at nagraranggo kung aling opsyon ang pinakagusto. Pagkatapos ay maaaring piliin ng isang utility agent ang pinakamainam na aksyon.
Dahil maaari silang magproseso ng malaking halaga ng data , kapaki-pakinabang ang mga ito sa anumang larangan na may kinalaman sa mataas na stakes na paggawa ng desisyon.
Pangkalakal na Pinansyal
Ang mga ahente na nakabatay sa utility ay angkop para sa mga merkado ng stock at cryptocurrency – nagagawa nilang bumili o magbenta batay sa mga algorithm na naglalayong i-maximize ang mga kita sa pananalapi o bawasan ang mga pagkalugi. Ang ganitong uri ng utility function ay maaaring isaalang-alang ang parehong makasaysayang data at real-time na data ng merkado.
Mga Sistema ng Dynamic na Pagpepresyo
Nagbayad na ba ng dagdag para sa isang Uber o Lyft sa ulan? Iyan ay isang utility-based na ahente sa trabaho – maaari nilang ayusin ang mga presyo sa real-time para sa mga flight, hotel, o pagbabahagi ng biyahe, batay sa demand, kumpetisyon, o oras ng booking.
Mga Smart Grid Controller
Ang mga ganitong uri ng matatalinong ahente ay ang 'matalino' sa mga smart grid: ito ay mga utility-based na ahente na kumokontrol sa pamamahagi at pag-iimbak ng kuryente.
Ino-optimize nila ang paggamit ng mga mapagkukunan batay sa mga pagtataya ng demand at mga presyo ng enerhiya upang mapabuti ang kahusayan at mabawasan ang mga gastos.
Mga Rekomendasyon sa Personalized na Nilalaman
Natapos mong manood ng pelikula at nagrerekomenda ang Netflix ng 3 pang katulad nito.
Gumagamit ang mga serbisyo ng streaming tulad ng Netflix at Spotify ng mga utility-based na ahente upang magmungkahi ng katulad na nilalaman sa mga user. Ang na-optimize na utility dito ay kung gaano ka malamang na mag-click dito.
2. Mga Ahente na Nakabatay sa Layunin
Ang mga ahente ng AI na nakabatay sa layunin ay - nahulaan mo ito - na idinisenyo upang makamit ang mga partikular na layunin gamit ang artificial intelligence.
Sa halip na tumugon lamang sa mga stimuli, ang mga makatuwirang ahente na ito ay may kakayahang isaalang-alang ang mga kahihinatnan sa hinaharap ng kanilang mga aksyon, upang makagawa sila ng mga madiskarteng desisyon upang maabot ang kanilang mga layunin.
Hindi tulad ng mga simpleng reflex agent, na direktang tumutugon sa mga stimuli batay sa mga tuntunin sa pagkilos ng kondisyon, ang mga ahente na nakabatay sa layunin ay nagsusuri at nagpaplano ng mga aksyon upang matugunan ang kanilang mga layunin.
Ang dahilan kung bakit naiiba sila sa iba pang mga uri ng matatalinong ahente ay ang kanilang kakayahang pagsamahin ang foresight at madiskarteng pagpaplano upang mag-navigate patungo sa mga partikular na resulta.
Roomba
Ang mga robotic vacuum cleaner - tulad ng minamahal na Roomba - ay dinisenyo na may partikular na layunin: linisin ang lahat ng naa-access na espasyo sa sahig. Ang ahenteng ito na nakabatay sa layunin ay may simpleng layunin, at nagagawa nito ito nang maayos.
Ang lahat ng kanilang mga desisyon na ginawa ng ahente na ito na nakabatay sa layunin (tulad ng kung kailan iikot) ay ginawa sa pagpupursige sa matayog na layuning ito. Bonus na lang ang mga pusang nakapatong sa kanila.
Software sa Pamamahala ng Proyekto
Bagama't maaari rin itong gumamit ng isang utility-based na ahente, ang software sa pamamahala ng proyekto ay karaniwang nakatutok sa pagkamit ng isang partikular na layunin ng proyekto.
Ang mga ahente ng AI na ito ay madalas na mag-iskedyul ng mga gawain at maglalaan ng mga mapagkukunan upang ang isang koponan ay ma-optimize upang makumpleto ang isang proyekto sa oras. Sinusuri ng ahente ang pinakamalamang na kurso ng tagumpay at ginagawa ito sa ngalan ng isang koponan.
Video Game AI
Sa diskarte at role-playing na mga laro, ang mga character ng AI ay kumikilos bilang mga ahente na nakabatay sa layunin - ang kanilang mga layunin ay maaaring mula sa pagtatanggol sa isang lokasyon hanggang sa pagtalo sa isang kalaban.
Isinasaalang-alang ng mga dolled-up na ahente ng AI na ito ang iba't ibang mga diskarte at mapagkukunan - kung aling pag-atake ang gagamitin, kung aling power-up para masunog - upang makamit nila ang kanilang layunin.
3. Model-Based Reflex Agents
Kapag kailangan mong umangkop sa impormasyon na hindi palaging nakikita o nahuhulaan, ang mga reflex agent na nakabatay sa modelo ang tool na gagamitin.
Hindi tulad ng mga simpleng reflex agent na tumutugon lamang batay sa kasalukuyang mga perception, ang mga model-based na reflex agent ay nagpapanatili ng panloob na estado na nagpapahintulot sa kanila na mahulaan ang bahagyang napapansin na mga kapaligiran. Ito ay isang panloob na modelo ng seksyon ng mundo na nauugnay sa kanilang mga tungkulin.
Ang modelong ito ay patuloy na ina-update sa mga papasok na data mula sa kanilang kapaligiran, upang ang ahente ng AI ay makagawa ng mga hinuha tungkol sa mga hindi nakikitang bahagi ng kapaligiran at mahulaan ang mga kondisyon sa hinaharap.
Tinatasa nila ang mga potensyal na resulta ng kanilang mga aksyon bago gumawa ng mga desisyon, na nagpapahintulot sa kanila na pangasiwaan ang mga komplikasyon. Lalo itong kapaki-pakinabang kapag gumagawa ng mga kumplikadong gawain, tulad ng pagmamaneho ng kotse sa isang lungsod, o pamamahala ng isang automated na smart home system.
Dahil sa kanilang kakayahang pagsamahin ang dating kaalaman at real-time na data , maaaring i-optimize ng mga reflex agent na nakabatay sa modelo ang kanilang pagganap, anuman ang gawain. Tulad ng isang tao, makakagawa sila ng mga desisyong may kabatiran sa konteksto , kahit na hindi mahuhulaan ang mga kundisyon.
Autonomous na Sasakyan
Kahit na ang mga kotseng ito ay sumasaklaw sa maraming uri ng matatalinong ahente, ang mga ito ay isang magandang halimbawa ng mga ahenteng reflex na nakabatay sa modelo.
Ang mga kumplikadong sistema tulad ng trapiko at paggalaw ng pedestrian ay eksaktong uri ng hamon kung saan idinisenyo ang mga ahente ng reflex na nakabatay sa modelo.
Ang kanilang panloob na modelo ay ginagamit upang gumawa ng mga real-time na desisyon sa kalsada, tulad ng pagpepreno kapag ang isa pang kotse ay nagpapatakbo ng pulang ilaw, o mabilis na bumagal kapag ang sasakyan sa unahan ay ganoon din ang ginagawa. Ang kanilang panloob na sistema ay patuloy na nag-a-update batay sa kanilang mga input sa kapaligiran: iba pang mga kotse, aktibidad sa mga tawiran, ang lagay ng panahon.
Mga modernong sistema ng irigasyon
Ang mga ahente ng reflex na nakabatay sa modelo ay ang powerhouse sa likod ng mga modernong sistema ng patubig. Ang kanilang kakayahang tumugon sa hindi inaasahang feedback sa kapaligiran ay ganap na angkop para sa mga antas ng kahalumigmigan ng panahon at lupa.
Ang panloob na modelo ng ahente ng AI ay kumakatawan at hinuhulaan ang iba't ibang salik sa kapaligiran, tulad ng mga antas ng kahalumigmigan ng lupa, kondisyon ng panahon, at mga kinakailangan sa tubig ng halaman.
Ang mga ahente na ito ay patuloy na nangongolekta ng data mula sa mga sensor sa kanilang mga field, kabilang ang real-time na impormasyon sa halumigmig, temperatura, at pag-ulan.
Sa pamamagitan ng pagsusuri sa data na ito, ang reflex agent na nakabatay sa modelo ay makakagawa ng matalinong mga desisyon tungkol sa kung kailan magdidilig, kung gaano karaming tubig ang ibibigay, at kung aling mga zone ng isang field ang nangangailangan ng higit na pansin. Ang kakayahang panghuhula na ito ay nagbibigay-daan sa sistema ng irigasyon na i-optimize ang paggamit ng tubig, na tinitiyak na ang mga halaman ay nakakatanggap ng eksakto kung ano ang kailangan nila upang umunlad (nang walang pag-aaksaya ng tubig).
Mga sistema ng automation ng bahay
Ang panloob na modelo dito ay ang kapaligiran ng isang bahay – ang mga system na ito ay patuloy na ina-update gamit ang data mula sa mga sensor, at ginagamit ang impormasyong ito upang ipaalam ang kanilang mga desisyon.
Matutukoy ng thermostat ang pagbabago ng temperatura at magko-configure kung kinakailangan. O ang isang sistema ng pag-iilaw ay maaaring makakita ng kadiliman sa labas at mag-adjust nang naaayon - dahil ang kadilimang ito ay maaaring magmula sa gabi, o mula sa isang hindi inaasahang pagkulog, nangangailangan ito ng isang matalinong ahente na parehong mahulaan at tumugon sa mga pagkakaiba.
4. Mga Ahente sa Pag-aaral
Ang mga ahente ng pag-aaral ay namumukod-tangi dahil sa kanilang kakayahang umangkop at mapabuti sa paglipas ng panahon batay sa kanilang mga karanasan.
Hindi tulad ng higit pang mga static na ahente ng AI na gumagana lamang sa mga paunang na-program na panuntunan o modelo, maaaring baguhin ng isang learning agent ang pag-uugali at diskarte nito. Dahil sa elementong ito sa pag-aaral, kadalasang ginagamit ang mga ito sa pagbabago ng mga kapaligiran.
Pagtuklas ng Panloloko
Gumagana ang mga sistema ng pagtuklas ng panloloko sa pamamagitan ng patuloy na pagkolekta ng data at pagkatapos ay pagsasaayos upang makilala ang mga mapanlinlang na pattern nang mas epektibo. Dahil palaging binabago ng mga scammer ang kanilang mga taktika, kailangan ding patuloy na umangkop ang mga ahente sa pagtuklas ng panloloko.
Rekomendasyon sa Nilalaman
Gumagamit ang mga platform tulad ng Netflix at Amazon ng system na nilagyan ng learning agent para pahusayin ang kanilang mga rekomendasyon para sa mga pelikula, palabas, at produkto.
Kahit na sinabi ng iyong profile na dapat mong magustuhan ang mga horror at thriller na pelikula, kung bigla kang lumipat sa mga rom-com, ang iyong mga rekomendasyon ay aangkop. Katulad natin, laging natututo.
Speech Recognition Software
Gumagamit ang mga application tulad ng Google Assistant at Siri ng isang learning agent para mas maunawaan ang masasamang pagsubok na makipag-usap sa kanila.
Salamat sa pag-aaral ng mga ahente na nagiging mas mahusay ang mga system na ito sa pag-unawa sa mga accent at slang – para makapagtanong tayo kay Siri ng mga bagay tulad ng, “Och, Siri, maaari mo ba akong mahanap ang pinakamalapit na chippy para sa ilang hapunan? Purong peckish ako!"
Adaptive Thermostat
Kahit na ang mga matalinong thermostat - tulad ng Nest - ay natututo mula sa gawi ng user, tulad ng kapag ang mga user ay madalas na nasa bahay o wala, at ang kanilang gustong temperatura.
Ang impormasyong ito ay maaaring palaging nagbabago, kaya ang mga thermostat ay dapat na makaangkop sa paglipas ng panahon - ito ay ginagawa silang isa pang halimbawa ng isang ahente sa pag-aaral.
.webp)
5. Mga Ahente ng Hierarchical
Ang mga hierarchical na ahente ay naiiba sa iba pang mga uri ng mga ahente ng AI dahil sa kanilang structured, multi-layer na diskarte sa mga problema.
Ang mga hierarchical na ahente ay katulad ng isang kumplikadong istraktura ng organisasyon , na may iba't ibang antas ng paggawa ng desisyon. Ang iba't ibang ahente sa loob ng system ay magkakaroon ng iba't ibang larangan ng espesyalisasyon, na gagawing mas mahusay ang mga ito sa paghawak ng mga kumplikado, maraming hakbang na gawain.
Ang mga hierarchical agent ay isa sa mga mas kumplikadong paraan upang mag-deploy ng mga ahente ng AI, dahil binubuo sila ng maramihang mas maliliit na ahente ng AI.
Sa isang pangungusap: Ang hierarchical agent structure ay tungkol sa structured na proseso ng paggawa ng desisyon sa iba't ibang antas ng isang system.
Mga Robot sa Paggawa
Sa mga advanced na sistema ng pagmamanupaktura, inaayos ng mga hierarchical agent ang linya ng produksyon.
Ang mga high-level na ahente ay nagpaplano at naglalaan ng mga gawain sa buong system, habang ang mga ahente sa mababang antas ay kumokontrol sa mga partikular na makinarya tulad ng mga robotic arm para sa mga gawain sa pagpupulong.
Ang bawat isa ay maaaring makipag-usap sa isa't isa upang matiyak ang isang maayos na daloy ng produksyon - iyon ay multi-level na paggawa ng desisyon sa trabaho.
Mga Sistema ng Pagkontrol sa Trapiko ng Hangin
Gumagamit ang mga sistemang ito ng mga hierarchical agent upang pamahalaan ang ligtas at mahusay na daloy ng trapiko sa himpapawid. Dahil ang gawain ay isang kumplikadong sumasaklaw sa maraming mga pag-andar, isang hierarchical agent system ay kinakailangan para sa wastong pagpapatupad.
Pinangangasiwaan ng mga mas mataas na antas na ahente ang mas malawak na pamamahala sa trapiko sa rehiyon, habang ang mga ahente sa mas mababang antas ay tumutuon sa mga partikular na gawain tulad ng pag-alis, paglapag, at pag-taxi sa mga indibidwal na paliparan.
Autonomous Warehouse Robots
Ang mga hierarchical agent ang namamahala sa imbentaryo at paghawak ng package sa mga warehouse na pinahusay ng machine learning.
Ino-optimize ng mga high-level na ahente ang layout ng warehouse at pamamahagi ng imbentaryo, habang ang mga lower-level na ahente ay nagpapatakbo ng mga indibidwal na robotic forklift at sorter upang maisagawa ang mga pisikal na gawain ng paglipat at pag-aayos ng mga produkto.
6. Mga Ahente ng Robot
Iyon mismo ang gusto nating isipin kapag inilarawan natin ang isang matalinong ahente: ang robotic agent.
Sa isang karagdagang elemento ng pagganap, ang mga robotic na ahente ay ang mga poster na bata ng mga ahente ng artificial intelligence. Ang mga matatalinong ahente na ito ay gumagana sa isang pisikal na kapaligiran, sa halip na umiiral lamang bilang mga ahente ng software.
Ang mga pisikal na embodiment na ito ng mga ahente ng AI ay karaniwang nilagyan ng mga sensor tulad ng mga camera o touch sensor. Ang ganitong uri ng ahente ng AI ay partikular na kapaki-pakinabang sa mga gawain na mapanganib o napaka-ulit-ulit - maaari itong maging mas mahusay at cost-effective na magkaroon ng isang artificial intelligence agent na gawin ang mga gawaing ito sa halip.
Ang ganitong uri ng ahente ng AI ay pinagsama sa iba pang mga uri ng artificial intelligence, kaya maaari itong pisikal na magsagawa ng mga gawain sa utility o mga gawain sa layunin, minsan sa loob ng mga multi-agent system o hierarchical system.
Mga Robot ng Assembly Line
Maraming mga robot sa mga linya ng pagpupulong. Ang mga ahente ng AI na ito ay nagsasagawa ng mga gawain tulad ng welding, pagpipinta, at pag-assemble ng mga bahagi, lahat ay may mataas na katumpakan at bilis.
Dahil matalino silang mga ahente, maaari nilang i-optimize ang oras ng produksyon habang pinapanatili ang isang nakapirming pamantayan sa pagganap.
Mga Robot sa Pag-opera
Ang operasyon ay parehong mataas at tumpak, na ginagawa itong perpekto para sa mga ahente ng AI.
Ang mga robotic agent tulad ng da Vinci Surgical System ay tumutulong sa mga surgeon kapag nagsasagawa sila ng tumpak at minimally invasive na mga pamamaraan. Ang mga ahente ng AI na ito ay hindi nagsasagawa ng mga operasyon nang nagsasarili, ngunit pinapalawak nila ang mga kakayahan ng siruhano.
Mga Robot na Pang-agrikultura
Ang mga robot ay karaniwang ginagamit sa ikot ng agrikultura, mula sa pagtatanim ng mga buto, hanggang sa pag-aani ng mga pananim, hanggang sa pagsubaybay sa mga kondisyon sa bukid.
Ang mga ahente ng AI na ito ay nakakatulong sa pagtaas ng produktibidad, dahil mas madali para sa isang makina na magtanim ng 10,000 carrot seeds kaysa magpagawa nito sa isang tao.
Mga Serbisyong Robot
Ang pinakasikat na service robot sa lahat – tama, WALL-E ito. Ang isang malayong runner-up ay ang mga robot ng restaurant na nagdadala ng iyong walang katapusang mga order ng lahat ng maaari mong kainin na sushi nang direkta sa iyong mesa.
Gumagamit kami ng mga robot ng serbisyo sa lahat ng dako: mga robotic vacuum cleaner, pagbibigay ng impormasyon sa mga bisita sa mga hotel, at paghahatid ng mga produkto sa mga customer sa lahat ng uri ng mga establisyimento.
7. Mga Virtual Assistant
Ang mga virtual assistant ay pinapagana ng natural na pagpoproseso ng wika at artificial intelligence – at marahil sila ang pinakapamilyar na halimbawa ng mga ahente ng AI sa pangkalahatang publiko.
Naiintindihan at pinoproseso ng matatalinong personal na katulong na ito ang wika ng tao (na may natural na pagpoproseso ng wika ) upang magsagawa ng mga gawain, tulad ng pagtatakda ng mga paalala at pamamahala ng mga email.
Kasama rin sa ganitong uri ng ahente ng AI ang isang elemento ng pag-aaral: maaari silang matuto mula sa mga pakikipag-ugnayan ng user, nagiging mas personalized at epektibo sila sa paglipas ng panahon.
Siri
Isa sa mga unang pangunahing virtual na katulong, ang Siri ay isinama sa karamihan ng mga Apple device, kabilang ang mga iPhone, iPad, Mac, at Apple Watch.
Tumutulong ang Siri sa iba't ibang gawain, tulad ng pagtawag, pagpapadala ng mga text, pagtatakda ng mga paalala, pagbibigay ng mga direksyon, at pagsagot sa mga tanong sa pangkalahatang kaalaman.
Alexa
Available sa mga Amazon Echo device at iba pang produktong naka-enable ang Alexa, ang virtual assistant na ito ay nagpapatugtog ng musika, kinokontrol ang mga smart home device, gumagawa ng mga listahan ng pamimili, at nagbibigay ng mga update sa balita. At sinira ang pangalang 'Alexa' para sa mga tao.
Google Assistant
Alam mo ang agent program na ito mula sa mga Android phone at Google Home device. Ang Google Assistant ay mahusay sa pagkuha ng impormasyon mula sa web, pag-iskedyul ng mga kaganapan, pamamahala ng mga produkto ng smart home, at pagpapadali ng real-time na pagsasalin.
Ang malalim na pagsasama nito sa mga serbisyo ng Google ay ginagawa itong partikular na makapangyarihan para sa mga gawaing kinasasangkutan ng mga mapa, YouTube, at mga functionality ng paghahanap.
8. Multi-Agent Systems
Ang kagandahan ng mga multi-agent system ay nakasalalay sa kanilang pagkakaiba-iba at sa kayamanan ng kanilang mga pakikipag-ugnayan.
Ang mga ahente sa loob ng mga system na ito ay madalas na hindi kapani-paniwalang iba-iba, mula sa isang simpleng ahente ng software na nagpi-filter ng data hanggang sa mga kumplikadong entity na namamahala sa mga kritikal na function sa mga smart grid o mga network ng transportasyon.
Ang bawat ahente ay nagpapatakbo ng semi-autonomously ngunit idinisenyo upang makipag-ugnayan sa iba pang mga ahente, na bumubuo ng isang dynamic na ecosystem kung saan ang sama-samang pag-uugali ay lumalabas mula sa mga indibidwal na aksyon. Para sa ganitong uri ng programa ng ahente, ang pakikipagtulungan ay susi .
Mga Sistema sa Pamamahala ng Trapiko
Mahahanap mo ang mga matatalinong ahenteng ito sa pamamahala ng trapiko, kinakatawan ng maraming ahente ang iba't ibang signal ng trapiko, mga surveillance camera, at mga sistema ng impormasyon.
Ang mga ahente ng AI na ito ay nagtutulungan upang i-optimize ang daloy ng trapiko, bawasan ang pagsisikip, at tumugon sa mga real-time na kondisyon tulad ng mga aksidente o trabaho sa kalsada. Ang bawat ahente ay nangangasiwa ng data mula sa lokalidad nito at nakikipag-ugnayan sa iba upang ayusin ang mga signal ng trapiko nang naaayon – kaya ang pagtutulungan ng magkakasama ay isang pangangailangan.
Mga Smart Grid para sa Pamamahala ng Enerhiya
Kasama rin sa mga smart grid ang maraming ahente ng AI, bawat isa ay kumokontrol sa iba't ibang aspeto ng pamamahagi ng kuryente, mula sa mga generation station hanggang sa mga indibidwal na smart meter sa mga tahanan.
Ang mga ahente ng AI na ito ay nagtutulungan upang mahusay na balansehin ang supply at demand ng enerhiya, pagsamahin ang mga nababagong mapagkukunan ng enerhiya, at mapanatili ang katatagan ng grid.
Tinitiyak ng koordinasyon ng isang multi-agent system ang pinakamainam na pamamahagi ng enerhiya at kahusayan sa gastos sa buong network.
Supply Chain at Logistics
Sa pamamahala ng supply chain, kinakatawan ng mga ahente ang iba't ibang stakeholder tulad ng mga supplier, manufacturer, distributor, at retailer. Ang mga ahenteng ito ay nakikipag-ugnayan upang ma-optimize ang proseso ng supply chain, mula sa pagkuha hanggang sa paghahatid, tinitiyak ang kahusayan at pagbabawas ng mga gastos.
Autonomous Swarm Robotics
Minsan sa panahon ng paggalugad o mga misyon ng pagsagip, ang mga pulutong ng mga robot ay ipinakalat.
Ang bawat robotic agent ay gumagana nang semi-independent ngunit nakikipag-coordinate sa iba pang mga ahente ng AI upang masakop ang mas malalaking lugar, magbahagi ng sensory data, o magtulungang maglipat ng mga bagay.
Ito ay partikular na kapaki-pakinabang sa mga mapaghamong kapaligiran - tulad ng mga gumuhong gusali o planetary surface - kung saan ang pagtutulungan ng magkakasama sa isang malaking AI system ay makakamit ng higit pa kaysa sa mga indibidwal na ahente ng AI.
9. Simple Reflex Agents
Ang isang simpleng reflex agent ay ang runt ng biik. Ito ay may napakalimitadong katalinuhan at gumagana sa isang direktang tuntunin sa pagkilos-kondisyon.
Ang mga ahenteng ito na nakabatay sa panuntunan ay hindi angkop para sa mga kumplikadong gawain. Gayunpaman, ganap silang sanay sa mga partikular na gawain kung saan sila idinisenyo.
Ang mga simpleng reflex agent ay angkop para sa mga diretsong gawain sa isang predictable na kapaligiran. Ang ganitong uri ng mga aksyon ng ahente ay nakakaapekto sa mundo sa paligid nito, ngunit sa mga partikular na gawain lamang.
Mga thermostat
6pm na sa taglamig? I-crank ang init na iyon. Tanghali na sa tag-araw? Ang simpleng reflex agent na ito, na may limitadong katalinuhan, ay i-on ang AC.
Mga awtomatikong pinto
Habang ang pinaghihinalaang katalinuhan nito ay mababa, ang mga awtomatikong pinto ay kadalasang mga halimbawa ng mga simpleng reflex agent. Nararamdaman ng ahente ng AI na ito ang isang tao sa harap ng isang pinto, at bumukas ito. Simpleng maganda.
Mga detektor ng usok
Ang ahente ng AI na ito ay tumatakbo mula sa kisame ng iyong kusina. Oo, isa rin itong simpleng reflex agent. Nakakaramdam ito ng usok, at tumutunog ito ng alarma.
Mga pangunahing filter ng spam
Ang ilang mga ahente sa artificial intelligence ay tumutulong sa amin araw-araw sa loob ng maraming taon. Ang email spam filter ay isa sa mga ito. Ang mga pangunahing bersyon ay hindi gumagamit ng natural na pagpoproseso ng wika, ngunit sa halip ay mga keyword o reputasyon ng nagpadala.
Bumuo ng sarili mong ahente ng AI
Maraming uri ng mga ahente ng AI, ang ilan ay mas mahirap buuin kaysa sa iba.
Ngunit kung naghahanap ka na bumuo ng isang ahenteng chatbot – na maaaring kumilos sa iyong mga pang-araw-araw na system, tulad ng pagpapadala ng mga email at pag-book ng mga pulong – matutulungan ka namin.
Ang aming platform ay may madaling drag-and-drop na interface para sa mga nagsisimula, at walang katapusang pagpapalawak para sa mga propesyonal na developer.
Nagho-host pa kami ng aktibong komunidad ng 20,000+ bot-builder, kung gusto mo ng suporta sa buong proseso.
Simulan ang pagtatayo ngayon. Ito'y LIBRE.
FAQ
Sigurado ang mga ahente ng AI?
Hindi, ang mga ahente ng AI ay hindi nakakaramdam. Sinusunod nila ang mga software program na nagpapahiwatig ng kanilang mga layunin, bagama't maaari silang kumilos nang nakapag-iisa upang makamit ang mga resulta.
Ano ang desisyon at proseso ng pagkilos para sa mga ahente ng AI?
Iba't ibang uri ng mga ahente ng AI ang magmasid sa kanilang mga kapaligiran at gagawa ng mga aksyon sa ibang paraan. Ang ilan ay gumagamit ng data sa pagmomodelo, at ang iba ay gumagamit ng mga sensor. Mayroon silang iba't ibang layunin batay sa kanilang naka-program na pangangatwiran.
Ano ang ahente na nakabatay sa modelo?
Ang ahente na nakabatay sa modelo ay isa pang paraan upang sumangguni sa isang reflex agent na nakabatay sa modelo, isang uri ng ahente ng AI na pinagsasama-sama ang nakaraang data at kasalukuyang mga input upang matukoy ang pinakamahusay na paraan ng pagkilos.
.png)
