Vuosi 2025 on Generatiivisen tekoälyn agenttien (AI Agentit) vuosi. Kuuntele webinaaritallenteesta mitä ovat AI Agentit, miten ne voivat hyödyttää sinun organisaatiotasi käytännössä ja kuulemaan tosielämän AI Agentti-tarina.
Olemme uuden aikakauden kynnyksellä, jossa suuret kielimallit (LLM), kuten OpenAI GPT, mahdollistavat kehittyneempää automaatiota kuin koskaan ennen. Näiden mallien kyky suunnitella, käyttää laajaa työkalukirjoa, reflektoida ja huomioida kontekstuaalinen data tekee niistä hyödyllisiä teknologisia ratkaisuja uudenlaiseen automaatioon. Esimerkkinä tekoälyagentti voi ihmisen tekemien kysymysten perusteella luoda kyselyitä organisaation tietovarastoon ja muodostaa niiden pohjalta syvällistä ymmärrystä. Tämä avaa uusia mahdollisuuksia datan analysoinnissa ja päätöksenteossa.
Tallenne tarjoaa kattavan katsauksen siihen, mitä AI agentit ovat, millaisia mahdollisuuksia ne tuovat tänään ja huomenna, sekä käytännön esimerkin asiakastoteutuksesta.
Tallenteessa kuulet alan asiantuntijoiden näkemykset ja kokemukset AI agenttien nykytilasta ja tulevaisuudesta. Tämä on tilaisuutesi ymmärtää, kuinka voit hyödyntää generatiivisen tekoälyn agentteja omassa liiketoiminnassasi ja ottaa kilpailuetua käyttöön jo tänään.
Lue lisää AI Agenteista blogistamme: Mitä ovat tekoälyagentit?
Loihteen asiantuntijoina – Patrick Qvick, Jan Holmberg ja Juuso Salmu
Patrick Qvick, Service Director, Data Management, Loihde
Jan Holmberg, Principal Consultant, Data Management, Loihde
K: Onko AI-Agentin teko omaan organisaatioon realistinen opinnäytetyön aihe dataengineering and AI, YAMK tutkintoon? Esim. rajatulla aineistolla, missä mukana muutama tietotaulu.
Kyllä tämä olisi erinomainen opinnäytetyön aihe dataengineering ja AI YAMK tutkintoon, jos halutaan esim. näyttää erilaisten agenttien käyttömahdollisuuksia tai vaikkapa yhdistää erilaisia agentteja ratkaisemaan jotain tiettyä prosessiongelmaa tai automatisoimaan jotain spesifistä työnkulkua organisaatiossa.
K: Voiko AI agentin tuottamaan tulokseen luottaa? ChatGPT:n kanssa on huomattu, että se palauttaa usein vääriä vastauksia tai jättää huomioimatta / kertomatta jotain oleellista. Käyttäjän täytyy huomata / todentaa virhe ja tarkentaa kysymystä. Mutta jos tällaisen palvelun valjastaa toteuttamaan jotain automaattista niin on iso riski, että lopputulos on katastrofi.
V: Hallusinointi eli ”fiktiivisten” tai ”väärien” vastausten tuottaminen on osa suurten kielimallien toimintaa. Hallusinointia voidaan vähentää ja riskiä mitigoida erilaisin käytännön keinoin, kuten hyödyntämällä RAG:ia (retrieval augmented generation), jossa ennen kielimallille viemistä, etsitään tietoa esim. asiakkaan omista tietokannoista ja liitetään se osaksi kyselyä. Näin toimii mm. Loihteen Dokumenttiagentti. On olemassa myös monia muita tekniikoita, joita yhdistelemällä saadaan agentti toimimaan halutulla tavalla ja voidaan pienentää hallusinaatioiden tai muiden ei toivottujen lopputulosten riskiä huomattavasti. Loihteen tekoälyagenttitoteutuksissa on tuotu testaus osaksi toteutusta, jolloin agentin toimintaa sekä sen prosessin toistettavuutta voidaan valvoa ja tunnistaa mahdolliset virhetilanteet sekä korjata ne. Lisäksi on myös huomautettava, että tekoälyagentit eivät ole hopealuoti ja vastaus kaikkiin ongelmiin. Tekoälyagenttipohjainen lähestyminen ei sovellu kaikkiin toteutuksiin ja siksi toteutuskohteet, rajoitteet ja asiakkaan tarpeet käydään läpi ennen jokaista toteutusta.
K: Voidaanko räätälöity agentti yhdistää jo digitaaliseen avattareen?
V: Agentti voidaan liittää digitaaliseen Avatariin toteutuksena. Loihde ei vielä ole tällaista toteutusta tehnyt, mutta mikään ei teknologisesti estä tämän toteuttamista.
K: Millaista ylläpitoa tekoälyagentti tarvitsee rakentamisen jälkeen?
V: Tekoälyagentti on sovellus, jota pitää ylläpitää aivan kuin mitä tahansa ohjelmistosovellusta. Kun agentilla käytössä olevat generatiivisen tekoälyn kielimallit päivittyvät voidaan ne helposti koodia muokkaamalla vaihtaa. Lisäksi agenttitoteutukseen rakennetaan testaus ja validointimoduuli, jonka avulla voidaan seurata ja kehittää mallin vastauksien tarkkuutta ja totuudenmukaisuutta. Käyttäjäpalautteen kerääminen on myös suositeltavaa, jotta agentin toimintaa voidaan tehokkaasti seurata. Myös agentin käytössä olevien tietolähteiden ajantasaisuus on tärkeää, eli jos agentin pohjalla olevat tiedot muuttuvat tulee agentille lisätä uusia tietolähteitä ja poistaa vanhentuneita lähteitä. Joskus voi olla tarpeen muokata agentin toteutusta, jotta agentti saadaan toimimaan oikein muutosten jälkeen. Tietoturvapäivitykset ovat tietenkin ajankohtaisia ja jos agentti on rakennettu asiakkaan verkkoympäristöön esimerkiksi osana asiakkaan pilvitoteutusta, päivittyvät agentissa käytetyt komponentit pilvitarjoajan syklin mukaisesti. Jokaiseen toteutukseen kuuluu tietysti ylläpitosuunnitelma, joka on yksilöllinen riippuen ympäristöstä, johon agentti asennetaan.
K: Onko Loihde kehittämässä chatbottien lisäksi muita erilaisia AI-agenttien käyttöliittymiä? Chatbot käyttöliittymänä asettaa tiettyjä haasteita esim. data-agenttien hyödyntämiselle.
V: Uusia käyttöliittymiä kehitetään tarpeen mukaan. Chatbot tyyppinen ratkaisu on tyypillinen käyttöliittymä kielimalleille, mutta tarvittaessa voidaan tuottaa mikä tahansa käyttäkohteeseen räätälöity ratkaisu.
K: Voisitko antaa mielipiteen parhaista käytännöistä tekoälyn koulutuksen ja testaamisen kanssa?
Tekoälyn koulutuksessa ja testaamisessa on useita parhaita käytäntöjä, jotka auttavat varmistamaan, että mallit ovat tehokkaita, luotettavia ja eettisesti kestäviä. Tässä on joitakin keskeisiä periaatteita:
Näiden periaatteiden noudattaminen auttaa varmistamaan, että tekoälymallit ovat sekä teknisesti päteviä että yhteiskunnallisesti vastuullisia.
K: Koska mahdamme olla siinä pisteessä että olemme edenneet näistä 'boteista' todellisiin AI agentteihin, jotka hoitavat tehtäviä puolestamme (eikä pelkästään tarjoa vastauksia)?
V: Koska nykyiset agentit hyödyntävät suuria kielimalleja ja niillä on mahdollisuus käyttää erilaisia työkaluja ja funktioita, kuten esim. komentotulkkia ja siten toteuttaa koodia tai hakea tietoa, informaatiota tai dataa internetistä tehtävän suorittamista varten, kykenevät ne itsenäiseen toimintaan kehotteiden perusteella. Eli, AI Agentit voivat toimia osana automaatioketjuja ja toteuttaa monimutkaisiakin työnkulkuja täysin itsenäisesti ilman ihmistä.
K: Onko vinkata jotain AI agentti -sovellusta, jonka voisi ottaa käyttöön oman työn/opintojen tueksi arjessa? Onko tällaisia jo markkinoilla?
V: Jos haluaa käyttää jotain sovellusta verkon välityksellä vaihtoehtoja on monia, Claude, chatGPT, Gemini tai sitten omalle koneelle asennettuna "anythingLLM".
K: Hyödyntävätkö Loihteen ratkaisut jotain frameworkkejä?
V: Loihteen ratkaisut on koodattu ilman frameworkeja eli esimääriteltyjä koodityökaluja. Tämä siksi, että koodin luominen itse ilman frameworkeja mahdollistaa paremman kontrollin koodiin ja sen toimivuuteen. Tämä puolestaan tuo mukanaan toistettavuuden ja tarkemman testattavuuden asiakastoteutuksissa. Frameworkien haasteena on usein se, että niiden toimintaa on vaikea seurata tarkasti ja virheiden diagnosointi ja korjaaminen koodissa voi olla hankalaa. Toki, jos tehtävä, johon agenttia halutaan käyttää, on yksinkertaisempi ja tarkoitus on saada nopeasti ratkaisu tuotantoon saakka, voivat frameworkit lyhentää aikaa suunnittelusta toteutukseen.
K: Voisitteko kertoa lisää siitä, mitä räätälöidyt agentit ovat? Mitä niillä tarkoitetaan?
Räätälöidyt agentit ovat tiettyyn tarkoitukseen tehtyjä ohjelmistoja, jotka osaavat suorittaa hyvin spesifisiä tehtäviä. Koska agentti pitää sisällään kielimallin ja kielimallilla on ”ymmärrys” kontekstista, niitä voidaan käyttää yhdessä tavanomaisen automaation kanssa, jolloin monimutkaisiakin työnkulkuja voidaan automatisoida eli luoda ns. joustavaa hyperautomaatiota.
K: Mitä eroa on käytännössä data-agentilla ja dokumenttiagentilla?
V: Dokumenttiagentti käyttää vastauksiensa lähteenä ainoastaan dokumentteja, kun taas data-agentti voidaan liittää tietovarastoihin ja se voi hakea tietoa tietovarastoista ja muodostaa vastauksensa tietovarastojen datan pohjalta.
K: Miten voin tietää kuinka generatiivinen AI on vastaukseen päätynyt?
V: Generatiivista tekoälyä voi promptaamalla pyytää perustelemaan miksi se päätyi kyseiseen vastaukseen. Silloin Tekoäly vastaa ja kertoo, miten on vastaukseen päätynyt. On kuitenkin tärkeää ymmärtää suurten kielimallien toimintaperiaatetta, jotta voi ymmärtää miten vastaus on syntynyt. Suuret kielimallit ovat ”tilastolaskimia”, joita on koulutettu erittäin laajalla tekstidatalla, joka kattaa monenlaisia aiheita ja kirjoitustyylejä. Malleilla ei kuitenkaan ole pääsyä reaaliaikaiseen tietoon ja niiden tietotaso riippuu mallin koulutuksen ajankohdasta. Esimerkiksi GPT 4:n koulutus päättyi vuonna 2023. Vastaukset malli muodostaa ennustamalla seuraavaa sanaa tai lauseketta perustuen siihen mitä se on oppinut tekstimassasta. Vastaukset siis rakentuvat tilastollisen todennäköisyyden perusteella pohjaten mallin taustalla olevaan koulutusdataan. Tekoäly ei kykene ajattelemaan tai päättelemään samalla tavalla kuin ihmiset. Suosittelen lukemaan tästä lisää blogistamme, siellä on monia tekoälyyn pureutuvia postauksia.