36 rzeczywistych przykładów agentów AI

Chociaż agenci AI są szeroko opisywani w mediach technologicznych, ich przykłady w codziennym życiu nie zawsze są oczywiste.

W tym artykule przedstawię typy agentów AI wraz z przykładami każdego z nich.

Pamiętaj jednak: mimo że dzielimy je na typy, większość zaawansowanych systemów AI to połączenie kilku rodzajów agentów.

Na przykład w zarządzaniu łańcuchem dostaw z wykorzystaniem AI stosuje się różne typy agentów, aby zoptymalizować logistykę, zarządzanie zapasami, magazynowanie i dostawy. Podobnie jest w przypadku autonomicznych samochodów – łączone są agenty oparte na użyteczności, celu, modelu reakcji oraz uczące się, by obsłużyć złożony proces.

‍

Aby jednak zacząć od podstaw, przyjrzyjmy się, do czego służy każdy typ agentów AI, wraz z przykładami ich zastosowania w rzeczywistości.

Nawet jeśli nie masz autonomicznego samochodu ani nie pracujesz w magazynie wspieranym przez AI, zapewne korzystałeś już z botów korporacyjnych opartych na agentach, takich jak:

• Agenci AI w e-commerce, którzy składają zamówienia, informują o wysyłce i proponują spersonalizowane produkty użytkownikom.
• Chatboty obsługi klienta, które odpowiadają na najczęściej zadawane pytania, realizują zwroty i pomagają rozwiązywać problemy techniczne (jak w tym przykładzie od Ruby Labs).
• Agenci generowania leadów, którzy prowadzą rozmowy, kwalifikują potencjalnych klientów i umawiają spotkania (jak w tym przykładzie od Waiver Consulting Group).
• Chatboty sprzedażowe i funkcje marketingowe, takie jak generowanie leadów przez AI czy inne sposoby wykorzystania AI w sprzedaży.

Nie wszystkie agenty AI są tworzone przez specjalistów technicznych. Dzięki nowoczesnym platformom do budowy AI zaprojektowanie i wdrożenie własnego agenta AI jest naprawdę proste.

Jeśli chcesz stworzyć własnego agenta AI, możesz to zrobić już dziś, korzystając z naszego samouczka budowy agenta AI.

Przejdźmy teraz do 9 typów agentów AI i 36 przykładów ich zastosowania w praktyce.

1. Agenci oparci na użyteczności

W przeciwieństwie do prostszych agentów, które tylko reagują na bodźce z otoczenia, agenci oparci na użyteczności oceniają możliwe działania na podstawie oczekiwanej użyteczności. Przewidują, jak bardzo każda opcja przybliża ich do celu.

Agenci tego typu sprawdzają się w złożonych środowiskach decyzyjnych z wieloma możliwymi rezultatami – na przykład przy równoważeniu ryzyka podczas inwestycji lub ocenie skutków ubocznych różnych terapii.

Funkcja użyteczności tych inteligentnych agentów to matematyczny opis ich preferencji. Funkcja ta odwzorowuje świat, decydując i porządkując, która opcja jest najbardziej korzystna. Dzięki temu agent może wybrać działanie optymalne.

Ponieważ potrafią przetwarzać duże ilości danych, są przydatni wszędzie tam, gdzie decyzje mają duże znaczenie.

Handel finansowy

Agenci oparte na użyteczności świetnie sprawdzają się na rynkach akcji i kryptowalut – mogą kupować lub sprzedawać na podstawie algorytmów, które mają na celu maksymalizację zysków lub minimalizację strat. Taka funkcja użyteczności może uwzględniać zarówno dane historyczne, jak i bieżące dane rynkowe.

Systemy dynamicznego ustalania cen

Czy zdarzyło Ci się zapłacić więcej za Ubera lub Lyft podczas deszczu? To właśnie działa agent oparty na użyteczności – potrafi on dynamicznie zmieniać ceny lotów, hoteli czy przejazdów w zależności od popytu, konkurencji lub czasu rezerwacji.

Sterowniki inteligentnych sieci energetycznych

To właśnie tego typu inteligentni agenci odpowiadają za „inteligencję” w smart gridach: kontrolują dystrybucję i magazynowanie energii elektrycznej.

Optymalizują wykorzystanie zasobów na podstawie prognoz zapotrzebowania i cen energii, by zwiększyć wydajność i obniżyć koszty.

Spersonalizowane rekomendacje treści

Kończysz oglądać film, a Netflix poleca ci trzy podobne.

Serwisy streamingowe, takie jak Netflix czy Spotify, wykorzystują agentów opartych na użyteczności, by proponować użytkownikom podobne treści. Optymalizowana jest tu szansa, że klikniesz w daną propozycję.

2. Agenci celowi

Agenci AI oparci na celach – jak sama nazwa wskazuje – są zaprojektowani, by osiągać konkretne cele przy użyciu sztucznej inteligencji.

Zamiast tylko reagować na bodźce, ci racjonalni agenci potrafią przewidywać skutki swoich działań, dzięki czemu podejmują strategiczne decyzje prowadzące do realizacji celu.

W przeciwieństwie do prostych agentów refleksyjnych, które reagują bezpośrednio na bodźce według reguł warunkowych, agenci celowi planują i oceniają działania, by osiągnąć swoje cele.

To, co ich wyróżnia spośród innych typów inteligentnych agentów, to umiejętność łączenia przewidywania i planowania strategicznego w dążeniu do określonych rezultatów.

Roomba

Roboty odkurzające – jak popularna Roomba – mają jasno określony cel: posprzątać całą dostępną powierzchnię podłogi. Ten agent celowy ma proste zadanie i realizuje je skutecznie.

Wszystkie decyzje podejmowane przez tego agenta (np. kiedy się obrócić) służą realizacji tego celu. Koty jeżdżące na nich to tylko miły dodatek.

Oprogramowanie do zarządzania projektami

Choć może wykorzystywać także agenta opartego na użyteczności, oprogramowanie do zarządzania projektami zwykle skupia się na osiągnięciu konkretnego celu projektu.

Tacy agenci AI często planują zadania i przydzielają zasoby, by zespół mógł ukończyć projekt na czas. Agent ocenia najbardziej prawdopodobną drogę do sukcesu i działa w imieniu zespołu.

AI w grach komputerowych

W grach strategicznych i fabularnych postacie sterowane przez AI działają jako agenci nastawieni na realizację celów – ich zadania mogą obejmować obronę określonego miejsca lub pokonanie przeciwnika.

Takie zaawansowane agenty AI rozważają różne strategie i zasoby – który atak wybrać, kiedy użyć wzmocnienia – by osiągnąć swój cel.

3. Agenci refleksyjni z modelem

Gdy trzeba dostosować się do informacji, które nie zawsze są widoczne lub przewidywalne, najlepiej sprawdzają się agenci refleksyjni z modelem.

W przeciwieństwie do prostych agentów refleksyjnych, którzy reagują wyłącznie na bieżące bodźce, agenci refleksyjni z modelem utrzymują stan wewnętrzny, który pozwala im przewidywać częściowo obserwowalne środowiska. To wewnętrzny model fragmentu świata istotnego dla ich zadań.

Model ten jest nieustannie aktualizowany nowymi danymi z otoczenia, dzięki czemu agent AI może wnioskować o niewidocznych częściach środowiska i przewidywać przyszłe warunki.

Oceniają potencjalne skutki swoich działań przed podjęciem decyzji, co pozwala im radzić sobie z komplikacjami. To szczególnie przydatne przy złożonych zadaniach, takich jak prowadzenie samochodu w mieście czy zarządzanie zautomatyzowanym systemem inteligentnego domu.

Dzięki zdolności łączenia wcześniejszej wiedzy z danymi w czasie rzeczywistym, agenci refleksyjni oparte na modelu potrafią optymalizować swoje działania niezależnie od zadania. Podobnie jak człowiek, potrafią podejmować decyzje uwzględniające kontekst, nawet gdy warunki są nieprzewidywalne.

Pojazdy autonomiczne

Chociaż te samochody łączą cechy różnych typów inteligentnych agentów, są świetnym przykładem agentów refleksyjnych opartych na modelu.

Złożone systemy, takie jak ruch drogowy i ruch pieszych, to właśnie wyzwania, do których agenci refleksyjni oparte na modelu są stworzeni.

Ich wewnętrzny model służy do podejmowania decyzji na drodze w czasie rzeczywistym, np. hamowania, gdy inne auto przejeżdża na czerwonym świetle, lub gwałtownego zwalniania, gdy samochód przed nimi robi to samo. Ich system wewnętrzny jest stale aktualizowany na podstawie sygnałów z otoczenia: innych pojazdów, ruchu na przejściach dla pieszych, pogody.

Nowoczesne systemy nawadniania

Agenci refleksyjni oparte na modelu są siłą napędową nowoczesnych systemów nawadniania. Ich zdolność reagowania na nieoczekiwane sygnały środowiskowe idealnie sprawdza się przy monitorowaniu pogody i wilgotności gleby.

Wewnętrzny model agenta AI odwzorowuje i przewiduje różne czynniki środowiskowe, takie jak poziom wilgotności gleby, warunki pogodowe czy zapotrzebowanie roślin na wodę.

Agenci ci nieustannie zbierają dane z czujników rozmieszczonych na polach, w tym informacje o wilgotności, temperaturze i opadach w czasie rzeczywistym.

Analizując te dane, agent refleksyjny oparty na modelu podejmuje decyzje, kiedy podlewać, ile wody użyć i które strefy pola wymagają większej uwagi. Ta zdolność przewidywania pozwala zoptymalizować zużycie wody, zapewniając roślinom dokładnie tyle, ile potrzebują do wzrostu (bez marnowania wody).

Systemy automatyki domowej

Wewnętrzny model w tym przypadku to środowisko domu – systemy te są stale aktualizowane danymi z czujników i wykorzystują te informacje do podejmowania decyzji.

Termostat wykryje zmiany temperatury i odpowiednio się dostosuje. System oświetlenia może wykryć ciemność na zewnątrz i odpowiednio zareagować – ponieważ ciemność może wynikać zarówno z nocy, jak i nagłej burzy, potrzebny jest inteligentny agent, który przewidzi i zareaguje na różnice.

4. Agenci uczący się

Agenci uczący się wyróżniają się zdolnością do adaptacji i doskonalenia się z czasem na podstawie własnych doświadczeń.

W przeciwieństwie do statycznych agentów AI, które działają wyłącznie według zaprogramowanych reguł lub modeli, agent uczący się może zmieniać swoje zachowanie i strategie. Dzięki temu elementowi uczenia się są najczęściej wykorzystywani w zmiennych środowiskach.

Wykrywanie oszustw

Systemy wykrywania oszustw działają, nieustannie zbierając dane i dostosowując się, by skuteczniej rozpoznawać podejrzane wzorce. Ponieważ oszuści stale zmieniają swoje metody, agenci wykrywający oszustwa muszą się również nieustannie adaptować.

Rekomendacje treści

Platformy takie jak Netflix i Amazon korzystają z systemów wyposażonych w agenta uczącego się, by ulepszać rekomendacje filmów, seriali i produktów.

Nawet jeśli Twój profil sugeruje, że lubisz horrory i thrillery, a nagle zaczniesz oglądać komedie romantyczne, rekomendacje się dostosują. Tak jak my, system cały czas się uczy.

Oprogramowanie do rozpoznawania mowy

Aplikacje takie jak Google Assistant i Siri wykorzystują agenta uczącego się, by lepiej rozumieć nasze zniekształcone próby mówienia do nich.

To właśnie dzięki agentom uczącym się te systemy coraz lepiej rozumieją akcenty i slang – dzięki czemu możemy zapytać Siri: „Och, Siri, znajdziesz mi najbliższą knajpkę z frytkami? Strasznie zgłodniałem!”

Termostaty adaptacyjne

Nawet inteligentne termostaty – jak Nest – uczą się zachowań użytkowników, np. kiedy domownicy są w domu lub poza nim oraz jakie temperatury preferują.

Te informacje mogą się stale zmieniać, więc termostaty muszą umieć się dostosowywać – to kolejny przykład agenta uczącego się.

5. Agenci hierarchiczni

Agenci hierarchiczni różnią się od innych typów agentów AI przede wszystkim uporządkowaną, wielowarstwową strukturą rozwiązywania problemów.

Agenci hierarchiczni przypominają złożoną strukturę organizacyjną, z różnymi poziomami podejmowania decyzji. Poszczególni agenci w systemie mają różne specjalizacje, co pozwala im efektywniej radzić sobie ze złożonymi, wieloetapowymi zadaniami.

Agenci hierarchiczni to jeden z bardziej złożonych sposobów wdrażania agentów AI, ponieważ składają się z wielu mniejszych agentów AI.

W skrócie: struktura agenta hierarchicznego polega na uporządkowanym procesie podejmowania decyzji na różnych poziomach systemu.

Roboty produkcyjne

W zaawansowanych systemach produkcyjnych agenci hierarchiczni koordynują pracę linii produkcyjnej.

Agenci wyższego poziomu planują i przydzielają zadania w całym systemie, podczas gdy agenci niższego poziomu sterują konkretnymi maszynami, np. ramionami robotów do montażu.

Wszyscy mogą się ze sobą komunikować, by zapewnić płynność produkcji – to właśnie wielopoziomowe podejmowanie decyzji w praktyce.

Systemy kontroli ruchu lotniczego

Systemy te wykorzystują agentów hierarchicznych do zarządzania bezpiecznym i sprawnym ruchem lotniczym. Ponieważ zadanie obejmuje wiele funkcji, do jego realizacji niezbędny jest system agentów hierarchicznych.

Agenci wyższego poziomu odpowiadają za zarządzanie ruchem w regionie, a agenci niższego poziomu skupiają się na konkretnych zadaniach, takich jak starty, lądowania i kołowanie na poszczególnych lotniskach.

Autonomiczne roboty magazynowe

To właśnie agenci hierarchiczni zarządzają zapasami i obsługą paczek w magazynach wspieranych przez uczenie maszynowe.

Agenci wyższego poziomu optymalizują układ magazynu i rozmieszczenie zapasów, a agenci niższego poziomu obsługują poszczególne wózki widłowe i sortowniki, realizując fizyczne zadania związane z przemieszczaniem i organizacją towarów.

6. Agenci robotyczni

To właśnie agent robotyczny najczęściej przychodzi nam na myśl, gdy myślimy o inteligentnym agencie.

Dzięki dodatkowi w postaci działania w świecie fizycznym, agenci robotyczni są wizytówką agentów sztucznej inteligencji. Działają w rzeczywistym środowisku, a nie tylko jako oprogramowanie.

Te fizyczne wcielenia agentów AI są zazwyczaj wyposażone w czujniki, takie jak kamery czy sensory dotyku. Tego typu agent AI jest szczególnie przydatny w zadaniach niebezpiecznych lub bardzo powtarzalnych – często bardziej opłaca się, by wykonywał je agent sztucznej inteligencji.

Ten typ agenta AI łączy się z innymi rodzajami sztucznej inteligencji, by realizować zadania użytkowe lub zadania celowe, czasem w ramach systemów wieloagentowych lub hierarchicznych.

Roboty na liniach montażowych

Na liniach montażowych pracuje wiele robotów. Agenci AI wykonują tam zadania takie jak spawanie, malowanie czy montaż części – wszystko z dużą precyzją i szybkością.

Jako inteligentni agenci potrafią optymalizować czas produkcji, zachowując przy tym stały poziom jakości.

Roboty chirurgiczne

Chirurgia to dziedzina wymagająca zarówno precyzji, jak i niezawodności, dlatego idealnie nadaje się do zastosowania agentów AI.

Roboty chirurgiczne, takie jak system da Vinci, wspierają chirurgów podczas precyzyjnych, mało inwazyjnych zabiegów. Agenci AI nie przeprowadzają operacji samodzielnie, ale zwiększają możliwości lekarza.

Roboty rolnicze

Roboty są powszechnie wykorzystywane w rolnictwie – od sadzenia nasion, przez zbiór plonów, po monitorowanie stanu pól.

Agenci AI pomagają zwiększyć wydajność, bo łatwiej maszynie posadzić 10 000 nasion marchwi niż człowiekowi.

Roboty usługowe

Najbardziej znany robot usługowy – oczywiście WALL-E. Tuż za nim plasują się roboty w restauracjach, które dostarczają kolejne porcje sushi prosto do Twojego stolika.

Używamy robotów usługowych wszędzie: od odkurzaczy automatycznych, przez udzielanie informacji gościom w hotelach, po dostarczanie towarów klientom w różnych miejscach.

7. Asystenci wirtualni

Asystenci wirtualni działają dzięki przetwarzaniu języka naturalnego i sztucznej inteligencji – i są prawdopodobnie najbardziej znanym przykładem agentów AI dla ogółu społeczeństwa.

Ci inteligentni asystenci osobowi rozumieją i przetwarzają ludzki język (przy użyciu przetwarzania języka naturalnego), by wykonywać zadania, takie jak ustawianie przypomnień czy zarządzanie e-mailami.

Ten typ agenta AI posiada także element uczenia się: potrafi uczyć się na podstawie interakcji z użytkownikiem, stając się z czasem coraz bardziej spersonalizowanym i skutecznym.

Siri

Jeden z pierwszych popularnych asystentów wirtualnych, Siri jest zintegrowany z większością urządzeń Apple, w tym iPhone’ami, iPadami, komputerami Mac i Apple Watch.

Siri pomaga w wielu zadaniach, takich jak wykonywanie połączeń, wysyłanie wiadomości, ustawianie przypomnień, podawanie wskazówek dojazdu czy odpowiadanie na pytania ogólne.

Alexa

Dostępna na urządzeniach Amazon Echo i innych produktach obsługujących Alexę, ten asystent wirtualny odtwarza muzykę, steruje inteligentnym domem, tworzy listy zakupów i przekazuje aktualności. I niestety sprawił, że imię „Alexa” kojarzy się już głównie z technologią.

Asystent Google

Tego agenta znasz z telefonów z Androidem i urządzeń Google Home. Asystent Google świetnie wyszukuje informacje w internecie, planuje wydarzenia, zarządza urządzeniami smart home i umożliwia tłumaczenia w czasie rzeczywistym.

Głęboka integracja z usługami Google sprawia, że jest szczególnie skuteczny przy zadaniach związanych z mapami, YouTube czy wyszukiwaniem.

8. Systemy wieloagentowe

Piękno systemów wieloagentowych tkwi w ich różnorodności i bogactwie interakcji.

Agenci w tych systemach są często bardzo zróżnicowani – od prostych agentów programowych filtrujących dane po złożone jednostki zarządzające kluczowymi funkcjami w inteligentnych sieciach energetycznych czy systemach transportowych.

Każdy agent działa półautonomicznie, ale został zaprojektowany do współpracy z innymi, tworząc dynamiczny ekosystem, w którym zachowania zbiorowe wynikają z działań poszczególnych agentów. W tego typu programach agentowych kluczowa jest współpraca.

Systemy zarządzania ruchem drogowym

Tych inteligentnych agentów znajdziesz w systemach zarządzania ruchem – wiele agentów reprezentuje różne sygnalizacje świetlne, kamery monitoringu i systemy informacyjne.

Agenci AI współpracują, by optymalizować przepływ ruchu, zmniejszać korki i reagować na bieżące sytuacje, takie jak wypadki czy roboty drogowe. Każdy agent przetwarza dane ze swojego obszaru i komunikuje się z innymi, by odpowiednio dostosować sygnalizację – tu praca zespołowa jest niezbędna.

Inteligentne sieci energetyczne

W inteligentnych sieciach energetycznych działa wiele agentów AI, z których każdy kontroluje inny aspekt dystrybucji energii – od elektrowni po indywidualne liczniki w domach.

Agenci AI współpracują, by efektywnie bilansować podaż i popyt na energię, integrować odnawialne źródła i utrzymywać stabilność sieci.

Koordynacja systemu wieloagentowego zapewnia optymalną dystrybucję energii i efektywność kosztową w całej sieci.

Łańcuch dostaw i logistyka

W zarządzaniu łańcuchem dostaw agenci reprezentują różnych uczestników, takich jak dostawcy, producenci, dystrybutorzy i sprzedawcy. Koordynują oni działania, by zoptymalizować cały proces – od zaopatrzenia po dostawę – zapewniając efektywność i redukcję kosztów.

Autonomiczne roje robotów

Czasem podczas eksploracji lub akcji ratunkowych wykorzystuje się roje robotów.

Każdy robot działa półniezależnie, ale koordynuje się z innymi agentami AI, by pokryć większy obszar, dzielić się danymi z czujników lub wspólnie przenosić obiekty.

To szczególnie przydatne w trudnych warunkach – jak zawalone budynki czy powierzchnie planet – gdzie współpraca dużego systemu AI daje znacznie lepsze efekty niż działanie pojedynczych agentów.

9. Proste agenty reaktywne

Prosty agent reaktywny to najmniej zaawansowany z agentów. Ma bardzo ograniczoną inteligencję i działa według prostych reguł: warunek – akcja.

Tacy agenci oparci na regułach nie nadają się do złożonych zadań. Jednak świetnie sprawdzają się w tych, do których zostały zaprojektowane.

Proste agenty reaktywne są odpowiednie do prostych zadań w przewidywalnym środowisku. Ich działania wpływają na otoczenie, ale tylko w określonych sytuacjach.

Termostaty

Jest godzina 18:00 zimą? Podkręć ogrzewanie. Jest południe latem? Ten prosty agent odruchowy, o ograniczonej inteligencji, włączy klimatyzację.

Drzwi automatyczne

Choć ich inteligencja wydaje się niska, drzwi automatyczne to często przykłady prostych agentów reaktywnych. Ten agent AI wykrywa człowieka przed drzwiami i je otwiera. Proste i skuteczne.

Czujniki dymu

Ten agent AI działa na suficie twojej kuchni. Tak, to też prosty agent reaktywny. Wykrywa dym i uruchamia alarm.

Podstawowe filtry antyspamowe

Niektórzy agenci sztucznej inteligencji pomagają nam na co dzień od lat. Filtr antyspamowy w e-mailu to jeden z nich. Podstawowe wersje nie korzystają z przetwarzania języka naturalnego, lecz opierają się na słowach kluczowych lub reputacji nadawcy.

Zbuduj własnego agenta AI

Istnieje wiele rodzajów agentów AI – niektóre są znacznie trudniejsze do stworzenia niż inne.

Jeśli jednak chcesz zbudować chatbota-agenta, który będzie wykonywał zadania w twoich codziennych systemach, jak wysyłanie e-maili czy rezerwowanie spotkań – możemy ci w tym pomóc.

Nasza platforma oferuje prosty interfejs typu „przeciągnij i upuść” dla początkujących oraz nieograniczoną możliwość rozbudowy dla profesjonalnych deweloperów.

Mamy też aktywną społeczność ponad 20 000 twórców botów, jeśli potrzebujesz wsparcia na każdym etapie.

Rozpocznij budowę już dziś. To nic nie kosztuje.

FAQ

Czy agenci AI są świadomi?

Nie, agenci AI nie są świadomi. Działają według programów komputerowych określających ich cele, choć mogą działać autonomicznie, by osiągnąć zamierzone rezultaty.

Jak wygląda proces podejmowania decyzji i działania przez agentów AI?

Różne typy agentów AI obserwują swoje środowisko i podejmują działania na różne sposoby. Niektóre korzystają z modelowania danych, inne z czujników. Ich cele zależą od zaprogramowanego sposobu rozumowania.

Czym jest agent oparty na modelu?

Agent oparty na modelu to inaczej agent reaktywny oparty na modelu – typ agenta AI, który łączy dane z przeszłości i bieżące informacje, by wybrać najlepsze działanie.