S07E02 - 2025 de doorbraak van AI agents: hoe werken ze?

Joop Snijder bespreekt in een driedelige serie van AIToday Live het onderwerp AI agents. Deze intelligente softwaresystemen kunnen zelfstandig acties ondernemen, leren en zich aanpassen aan nieuwe situaties.

AI agents maken gebruik van geavanceerde taalmodellen als 'brein', waardoor ze natuurlijke taal kunnen begrijpen en genereren. Snijder illustreert de werking van AI agents aan de hand van een geautomatiseerd onderzoekssysteem voor podcastvoorbereiding.

In dit systeem werken verschillende agents samen om relevante informatie te verzamelen, analyseren en presenteren. Deze technologie biedt kansen voor efficiëntieverbetering en innovatie in diverse sectoren.

Onderwerpen

• Definitie en werking van AI agents
• Historische ontwikkeling van multi-agent systemen
• Toepassing van large language models in moderne AI agents
• Voorbeeld van een geautomatiseerd onderzoekssysteem
• Toekomstige rol van AI agents in organisaties

Links

• Podcast: AIToday Live podcast
• Online platform: Wikipedia - AI agent

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:00,580 --> 00:00:08,540
Hoi, welkom bij AIToday Live, de Nederlandstalige podcast die je alles leert over de ontwikkelingen in kunstmatige intelligentie.

2
00:00:08,540 --> 00:00:15,840
Mijn naam is Joop Snijder, CTO bij Aigency en ik heb een driedelige serie voor je over AI agents,

3
00:00:15,840 --> 00:00:23,000
waarin ik je meeneem in de wereld van intelligente software systemen die onze manier van werken gaan veranderen.

4
00:00:23,000 --> 00:00:29,780
En in deel 1 ontdek je wat AI agents zijn en hoe ze fundamenteel verschillen van traditionele software.

5
00:00:30,420 --> 00:00:35,680
In deel 2 leer je hoe je zelf aan de slag kunt met AI agents in jouw organisatie.

6
00:00:35,680 --> 00:00:43,700
En in deel 3 kijken we naar de toekomst. Hoe verandert AI de manier waarop we werken en hoe bereid je je organisatie daarop voor.

7
00:00:43,700 --> 00:00:45,840
Dus blijf luisteren.

8
00:00:45,840 --> 00:00:53,900
2025 wordt het jaar waarin AI agents hun definitieve doorbraak zullen maken in de bedrijfswereld.

9
00:00:54,480 --> 00:01:01,700
Waar we nu vooral praten over chatbots en automatische antwoorden, zullen we over een jaar getuigen zijn van iets veel krachtiger,

10
00:01:01,700 --> 00:01:10,220
namelijk AI systemen die zelfstandig complexe taken uitvoeren, van zichzelf leren en net zo lang doorwerken tot ze het gewenste resultaat bereiken.

11
00:01:10,220 --> 00:01:18,940
En deze voorspelling is niet gebaseerd op wilde speculatie, maar op de snelle vooruitgang die we nu al zien in de ontwikkeling van deze technologie.

12
00:01:19,180 --> 00:01:24,400
Maar om te beginnen, wat zijn deze AI agents nou precies en hoe werken ze?

13
00:01:24,400 --> 00:01:28,440
En nog belangrijker, wat kunnen ze betekenen voor organisaties?

14
00:01:28,440 --> 00:01:35,220
Nou vandaag deel 1, dus wat zijn AI agents en hoe werken ze?

15
00:01:35,220 --> 00:01:41,180
Laten we beginnen met het fundamentele verschil tussen AI agents en traditionele softwareontwikkeling.

16
00:01:41,180 --> 00:01:45,460
En dat ligt in de mate van autonomie en aanpassingsvermogen.

17
00:01:45,460 --> 00:01:50,820
Waar traditionele software werkt volgens vast geprogrammeerde regels en procedures,

18
00:01:50,820 --> 00:01:58,600
kunnen AI agents flexibel reageren op nieuwe situaties en tussen aanhalingstekens zelfstandig problemen oplossen.

19
00:01:58,600 --> 00:02:05,160
Ze begrijpen de context van de opdracht en kunnen hun aanpak aanpakken als ze obstakels tegenkomen.

20
00:02:05,160 --> 00:02:07,060
Maar hoe doen ze dat?

21
00:02:07,060 --> 00:02:13,740
Het lastige van AI agents is dat er geen exacte definitie is van wat ze zijn.

22
00:02:14,480 --> 00:02:18,720
Tot nu toe kunnen mensen het niet eens worden over wat een AI agent precies inhoudt.

23
00:02:18,720 --> 00:02:23,040
Dus heb ik voor je gekeken op Wikipedia en daar wordt het begrip als volgt beschreven.

24
00:02:23,040 --> 00:02:34,480
Een AI agent is een agent die zijn omgeving waarneemt, autonoom acties onderneemt om doelen te bereiken en zijn prestaties kan verbeteren door te leren of kennis te verwerken.

25
00:02:34,480 --> 00:02:37,720
Poeh, klinkt nogal abstract toch?

26
00:02:37,720 --> 00:02:43,460
Nou laten we het even uitdiepen en eerst beginnen bij het deel dat een agent zijn omgeving waarneemt.

27
00:02:43,460 --> 00:02:47,660
Een veel gebruikt voorbeeld is gewoon onze thermostaat thuis.

28
00:02:47,660 --> 00:02:54,020
Die neemt de temperatuur waar en met een eenvoudig algoritme zet de thermostaat de verwarming aan of uit.

29
00:02:54,020 --> 00:03:01,400
Het onderneemt dus autonome actie aan of uitzetten om het doel te bereiken, het behoud van de ingestelde temperatuur.

30
00:03:01,400 --> 00:03:03,360
Zo eenvoudig kan het zijn.

31
00:03:03,360 --> 00:03:07,060
En nu denk je misschien, maar zo intelligent is dat toch niet?

32
00:03:07,060 --> 00:03:08,200
Weet je wat?

33
00:03:08,240 --> 00:03:08,620
Dat klopt.

34
00:03:08,620 --> 00:03:11,880
Het is niet zo dat agents per se complex hoeven te zijn.

35
00:03:11,880 --> 00:03:16,600
Als we de term AI agent horen, dan is dat wel wat we daarbij bedenken.

36
00:03:16,600 --> 00:03:21,800
Een agent is in staat om een algoritme uit te voeren of kennis te vergaren.

37
00:03:21,800 --> 00:03:28,500
En een algoritme kan eenvoudig zijn zoals het kijken of de temperatuur onder of boven een ingestelde waarde staat.

38
00:03:29,380 --> 00:03:31,380
Maar hij kan ook complexer zijn.

39
00:03:31,380 --> 00:03:36,320
Bijvoorbeeld een slimmere thermostaat kan ons dagritme leren en temperatuurvoorkeuren leren.

40
00:03:36,320 --> 00:03:42,920
Maar belangrijk om te houden is dat een agent niet per se slim hoeft te zijn na onze maatstaven.

41
00:03:42,920 --> 00:03:48,260
Het idee in onderzoek naar agents is trouwens niet eens nieuw.

42
00:03:48,260 --> 00:03:50,680
En is al begonnen in de jaren zeventig.

43
00:03:50,680 --> 00:03:53,980
Zijn ze begonnen met de zogenaamde multi-agent systemen.

44
00:03:54,100 --> 00:04:00,460
In de jaren zeventig en tachtig werden multi-agent systemen al toegepast in verkeerssimulaties en verkeerslichtenbeheer.

45
00:04:00,460 --> 00:04:06,640
Hierbij werd gebruik gemaakt van autonome agents die verkeersstromen simuleerden.

46
00:04:06,640 --> 00:04:12,780
Zoals auto's die zich door een stad bewegen en verkeerslichten dynamisch moesten reageren op verkeersdrukte.

47
00:04:12,780 --> 00:04:16,240
Ik heb nog een voorbeeld van een modernere variant.

48
00:04:16,240 --> 00:04:22,660
En daarvoor wil ik je meenemen naar een bijzonder project uit 2019 toen ik een masterstudenten begeleidde.

49
00:04:22,940 --> 00:04:30,720
Zij hadden een fascinerend idee wat als we AI agents konden gebruiken om de bewegingen van de aandelenmarkt beter te begrijpen.

50
00:04:30,720 --> 00:04:38,520
En niet om snel geld te verdienen maar om pensioenfondsen te helpen betere lange termijn beslissingen te nemen.

51
00:04:38,520 --> 00:04:41,040
En haar aanpak was briljant is een eenvoud.

52
00:04:41,040 --> 00:04:45,680
Ze creëerden een virtuele markt met verschillende soorten AI agents.

53
00:04:45,680 --> 00:04:52,560
En sommige agents waren echt heel simpel en volgden basisregels zoals koop altijd als de prijs daalt.

54
00:04:52,560 --> 00:04:55,200
Of doe vandaag hetzelfde als gisteren.

55
00:04:55,200 --> 00:04:59,740
Andere agents waren slimmer en analyseerden patronen in historische data.

56
00:04:59,740 --> 00:05:04,260
Net zoals in de echte wereld waar je verschillende type handelaren hebt.

57
00:05:04,260 --> 00:05:08,500
Het mooie van haar systeem was dat deze agents van elkaar konden leren.

58
00:05:09,020 --> 00:05:13,400
En als een bepaalde strategie goed werkte kregen die agents meer invloed in het systeem.

59
00:05:13,400 --> 00:05:18,600
Een beetje zoals in de echte markt waar succesvolle strategieën vaak worden gekopieerd door anderen.

60
00:05:18,600 --> 00:05:21,180
Wat leerden wij nou hiervan?

61
00:05:21,180 --> 00:05:30,580
Het werd al snel duidelijk dat zelfs met al deze slimme agents de aandelenmarkt te complex en onvoorspelbaar bleef voor perfecte voorspellingen.

62
00:05:31,020 --> 00:05:34,300
Maar het onderzoek liet wel perfect zien hoe agents werken.

63
00:05:34,300 --> 00:05:37,880
En ze nemen hun omgeving waar, in dit geval de marktdata.

64
00:05:37,880 --> 00:05:39,760
Ze nemen zelfstandig beslissingen.

65
00:05:39,760 --> 00:05:42,960
Kopen, verkopen of aandelen aanhouden.

66
00:05:42,960 --> 00:05:45,100
En ze leren van de resultaten.

67
00:05:45,100 --> 00:05:47,740
En weet je wat het meest fascinerende was?

68
00:05:47,740 --> 00:05:51,120
De beste voorspellingen kwamen niet van de meest complexe agents.

69
00:05:51,120 --> 00:05:55,000
Maar van de samenwerking tussen die simpele en complexe agents.

70
00:05:55,000 --> 00:06:01,040
Dat is een belangrijke les die we nog steeds toepassen in ons werk als we AI agents implementeren.

71
00:06:01,040 --> 00:06:05,960
Dan nu naar de slimmere en hedendaagse AI agents.

72
00:06:05,960 --> 00:06:12,420
Want met de komst van large language models kunnen we nog handiger slimme systemen maken met AI agents.

73
00:06:12,420 --> 00:06:19,740
Het tussen aanhalingstekens brein van moderne AI agents wordt tegenwoordig dan ook gevormd door large language models.

74
00:06:21,140 --> 00:06:31,980
Dan moet je denken aan dat je de modellen van OpenAI, Claude of Google Gemini gebruikt als een soort van aansturing als brein.

75
00:06:31,980 --> 00:06:38,680
En deze geavanceerde AI modellen stellen de agents in staat om natuurlijke taal te begrijpen en te genereren.

76
00:06:38,680 --> 00:06:40,840
Maar hun rol gaat veel verder dan dat.

77
00:06:40,840 --> 00:06:44,960
Ze fungeren als een taakverdeler naar de verschillende agents.

78
00:06:44,960 --> 00:06:46,860
Of dat nou complexe of eenvoudige zijn.

79
00:06:47,080 --> 00:07:00,400
En door een uitgebreide training kunnen ze namelijk complexe instructies interpreteren, context begrijpen en bepalen welke agents ze aanspreken, in welke vorm en met welke uitvoer je die wil.

80
00:07:00,400 --> 00:07:08,740
En deze large language models geven AI agents het vermogen om niet alleen te begrijpen wat er gevraagd wordt, maar ook waarom iets gevraagd wordt.

81
00:07:08,740 --> 00:07:15,860
En dit stelt in een staat om genuanceerde beslissingen te nemen en hun acties aan te passen aan de specifieke behoeften van de situaties.

82
00:07:15,860 --> 00:07:23,300
En ze kunnen bijvoorbeeld begrijpen dat een kort overzicht voor een CEO anders moet zijn dan voor een technisch specialist.

83
00:07:23,300 --> 00:07:28,740
En nu denk je misschien, ja Joop, dit klinkt allemaal wel heel ingewikkeld.

84
00:07:28,740 --> 00:07:32,780
Maar laat me je daarom nog een praktisch voorbeeld geven uit mijn eigen ervaring.

85
00:07:32,780 --> 00:07:36,860
Namelijk onze podcast, daar hebben we ook van alles in geautomatiseerd.

86
00:07:36,860 --> 00:07:42,240
En ik heb een eigen geautomatiseerd research systeem voor onze podcast als voorbereiding.

87
00:07:42,240 --> 00:07:51,380
En dit systeem illustreert perfect hoe verschillende AI agents kunnen samenwerken onder aansturing van zo'n centraal brein in de vorm van een large language model.

88
00:07:51,380 --> 00:07:52,820
Het gaat als volgt.

89
00:07:52,820 --> 00:07:58,760
Het systeem begint zijn werk zodra ik de naam van een nieuwe podcastgast heb ingevoerd.

90
00:07:58,760 --> 00:08:06,180
En in plaats van een rigide set programmeren regels te volgen, krijgt het systeem zijn instructies in natuurlijke taal.

91
00:08:06,180 --> 00:08:10,320
En deze instructies beschrijven het gewenste eindresultaat.

92
00:08:10,320 --> 00:08:13,060
En dat ziet er ongeveer zo uit.

93
00:08:13,060 --> 00:08:15,340
Zoek naar het LinkedIn profiel van de gast.

94
00:08:15,340 --> 00:08:19,820
Zoek de laatste tien relevante artikelen op het internet van de gast.

95
00:08:19,820 --> 00:08:27,280
Lees deze artikelen en geef een goed doordacht de samenvatting van vijf unieke en relevante artikelen.

96
00:08:27,280 --> 00:08:29,500
En stel drie verrassende vragen voor.

97
00:08:31,100 --> 00:08:43,180
Het is best een heel complex verhaal en het centrale large language model, in dit geval gebruikt de GPT-4, functioneert als een soort van projectmanager die dan de verschillende gespecialiseerde AI agents aanstuurt.

98
00:08:43,180 --> 00:08:49,620
Een zoekagent speurt het internet af naar publicaties, interviews en andere relevante content over de gast.

99
00:08:49,620 --> 00:08:59,020
Een andere agent analyseert al deze informatie en beoordeelt dan welke bronnen het meest waardevol zijn voor de podcastvoorbereiding.

100
00:08:59,020 --> 00:09:05,320
En vervolgens gaan er samenvattings-agents aan de slag om de belangrijkste inzichten uit deze bronnen te destilleren.

101
00:09:05,320 --> 00:09:13,060
Het bijzondere aan deze aanpak is dat de agents niet simpelweg informatie verzamelen, maar dus ook intelligent filteren en verwerken.

102
00:09:13,060 --> 00:09:17,740
Ze kunnen bijvoorbeeld herkennen welke thema's regelmatig terugkomen in het werk van de gast.

103
00:09:17,740 --> 00:09:23,360
Of juist interessante uitspraken identificeren die afwijken van hun gebruikelijke standpunten.

104
00:09:24,020 --> 00:09:32,320
Aan basis van deze analyse formuleert nog een andere agent dan die drie verrassende vragen die tijdens het interview voor interessante gesprekken kunnen zorgen.

105
00:09:32,320 --> 00:09:39,320
Tot slot zet een presentatie-agent alle verzamelde informatie om in ons overzichtelijke webpagina.

106
00:09:39,320 --> 00:09:47,020
Het eindresultaat is dan een rijk gedocumenteerd profiel dat ons als podcasthost optimaal voorbereidt op het gesprek.

107
00:09:47,080 --> 00:09:56,620
Dit hadden we ook handmatig kunnen doen, maar in plaats van dit handmatig uitvoeren kunnen we ons nu richten op het lezen van de artikelen die we voorgeschodeld krijgen.

108
00:09:56,620 --> 00:10:00,420
En het voorbereiden op de podcast. Welke vragen gebruiken we wel, welke niet.

109
00:10:00,420 --> 00:10:04,200
Vaak is het meer ter inspiratie en hebben we het ook niet letterlijk bij de hand.

110
00:10:04,200 --> 00:10:11,140
Dit voorbeeld laat zien hoe AI agents elkaar kunnen versterken door samen te werken aan een complex doel.

111
00:10:11,360 --> 00:10:15,160
Het toont ook de kracht van natuurlijke taalinstructies.

112
00:10:15,160 --> 00:10:23,100
In plaats van gedetailleerde technische specificaties te schrijven, kan het systeem worden aangestuurd met beschrijvingen die voor iedereen begrijpelijk zijn.

113
00:10:23,100 --> 00:10:32,060
Dit maakt de technologie toegankelijk voor gebruikers zonder technische achtergrond en zorgt ervoor dat het systeem flexibel kan worden aangepast aan nieuwe behoeften.

114
00:10:32,060 --> 00:10:40,200
Nu je een goed beeld hebt van wat AI agents zijn en hoe ze in de praktijk kunnen werken, ben je vast benieuwd hoe je zelf aan de slag kan gaan.

115
00:10:40,420 --> 00:10:44,840
Toch? In het volgende deel van deze serie neem ik je mee in de praktische kant.

116
00:10:44,840 --> 00:10:50,760
Hoe identificeer je de juiste processen binnen je organisatie die baat bij hebben bij AI agents?

117
00:10:50,760 --> 00:10:55,440
En welke overwegingen moet je maken bij het kiezen van de juiste agent?

118
00:10:55,440 --> 00:11:00,320
En hoe zorg je ervoor dat je eerste pilot een succes wordt?

119
00:11:00,320 --> 00:11:04,540
Wil je nou geen moment missen van deze serie?

120
00:11:04,540 --> 00:11:07,040
Volg ons dan via je favoriete podcast app.

121
00:11:07,040 --> 00:11:09,320
Tot volgende week bij deel 2.

122
00:11:09,480 --> 00:11:12,620
Dankjewel weer voor het luisteren.

123
00:11:12,620 --> 00:11:17,620
[Muziek]

124
00:11:17,620 --> 00:11:17,620
[Muziek]

125
00:11:17,620 --> 00:11:18,620
[Muziek]