
Kunstmatige intelligentie-agenten gevoed door grote taalmodellen (LLM) zijn gegroeid buiten hun begin van de FAQ-chatbots om echte digitale teamgenoten te worden die in staat zijn om te plannen, te redeneren en te handelen – en onderweg corrigerende feedback te geven.
Dankzij de redenering van de AI-modellen kunnen agenten leren kritisch te denken en complexe taken uit te voeren. Deze nieuwe klasse van “redeneeragenten” kan gecompliceerde problemen oplossen, opties afwegen en geïnformeerde beslissingen nemen, enkel door berekening en het aantal benodigde tokens te gebruiken.
De redeneeragenten vinden hun toepassing in sectoren waar beslissingen gebaseerd zijn op meerdere factoren. Deze industrieën variëren van klantenservice en gezondheidszorg tot productie en financiële diensten.
Redeneren over redeneren
Moderne kunstmatige intelligentie-middelen kunnen redenering in- en uitschakelen, waardoor ze efficiënt gebruik kunnen maken van berekening en tokens.
Een volledige ketenpassage die tijdens het redeneren wordt uitgevoerd, kan tot 100 keer meer berekening en tokens vereisen dan een snelle enkele reactie, dus dit moet alleen worden gebruikt wanneer dat nodig is. Denk aan het inschakelen van de koplampen: gebruik alleen grootlicht als het donker is en dimlicht als het vrij helder is.
Snelle antwoorden zijn uitstekend voor eenvoudige vragen, zoals het controleren van een bestelnummer, het herstellen van een wachtwoord of het beantwoorden van een snelle FAQ. Voor complexe taken kan redenering echter noodzakelijk zijn en meer fasen omvatten, zoals belastingaftrekken of het plannen van zitplaatsen voor een bruiloft met 120 gasten.
De nieuwe modellen van Nemotron Nvidia Lama, met geavanceerde redeneerfuncties, bieden een eenvoudige systeemvlag om redenering in- of uit te schakelen, zodat ontwikkelaars kunnen beslissen over het programmeerniveau voor vragen. Dit stelt agenten in staat om redenering alleen uit te voeren wanneer dit nodig is, wat wachttijden voor gebruikers bespaart en kosten minimaliseert.
Redeneren van kunstmatige intelligentie-agenten in actie
AI-redenering wordt al gebruikt voor het oplossen van complexe problemen in alle sectoren, waaronder:
- Gezondheidszorg: Verbetering van diagnostiek en behandelingsplanning.
- Klantondersteuning: Automatisering en aanpassing van interacties met complexe klanten, van het oplossen van factureringsconflicten tot het aanbevelen van gepersonaliseerde producten.
- Financiën: Onafhankelijke analyse van marktgegevens en het bieden van beleggingsstrategieën.
- Logistiek en supply chain: Optimalisatie van leveringsroutes, omleiding van zendingen als reactie op onderbrekingen en simulatie van mogelijke scenario’s om risico’s te anticiperen en te verminderen.
- Robotica: Aandrijving van robots en autonome voertuigen, waardoor ze veilig kunnen plannen, aanpassen en bewegen in dynamische omgevingen.
Veel klanten ervaren al verbeterde workflows en voordelen met redeneeragenten.
AMDOCS gebruikt kunstmatige intelligentieagents op basis van redenering om de klantbetrokkenheid voor telecommunicatie-operators te transformeren. Zijn Amaiz Genai-platform, verbeterd met geavanceerde redeneermodellen zoals NVIDIA LLAMA Nemotron en Amaz Telco-verticalisering, stelt agenten in staat om klantreizen zelfstandig te beheren naar meer complexe en diverse fasen, waaronder verkoop, facturering en klantbehandelingen.
EY gebruikt redeneermiddelen om de kwaliteit van antwoorden op belastinggerelateerde vragen aanzienlijk te verbeteren. Het bedrijf vergeleek generieke modellen met specifieke belastingredeneermodellen, waarbij een verbetering van 86% in de kwaliteit van het antwoord voor belastingvragen werd onthuld bij gebruik van een redeneerbenadering.
SAP-CI Joules-agenten zullen worden uitgerust met de redeneercapaciteit van Lama Nemotron, waardoor ze complexe gebruikersgegevens kunnen interpreteren, relevante inzichten voor bedrijfsgegevens kunnen genereren en interfunctionele bedrijfsprocessen kunnen uitvoeren.
Ontwerp een redeneeragent
Om een kunstmatige intelligentieagent te creëren, zijn enkele belangrijke componenten nodig, waaronder tools, geheugen- en planningsmodules. Elk van deze componenten vergroot het vermogen van de agent om te communiceren met de buitenwereld, gedetailleerde plannen te maken en uit te voeren, en semi- of volledig autonoom te handelen.
De redeneervaardigheden kunnen op verschillende momenten in het ontwikkelingsproces aan AI-agenten worden toegevoegd. De meest natuurlijke manier om dit te doen, is door de planningsmodules uit te breiden met een groot redeneermodel, zoals LLAMA Nemotron Ultra of Deepseek-R1. Hierdoor kan meer redenering worden gebruikt tijdens de initiële planningsfase van de agentenworkflow, wat directe invloed heeft op de algehele resultaten van de systemen.
Het A-Q-project en de Intelligence Agent Toolkit kunnen bedrijven helpen silo’s te verminderen, complexe workflows te vereenvoudigen en de prestaties van AI-agenten op grote schaal te optimaliseren.
Het A-Q-project biedt een referentiestroom van referentieverloop voor de constructie van geavanceerde agenten, waardoor het gemakkelijk is om verbinding te maken met de berekenings-, archiverings- en tools die worden versneld door NVIDIA voor snelle digitale werkkrachten. De AI-Q integreert de extractie en ophaling van snelle multimodale gegevens via Nvidia Nemo Retriever, NIM Microservices en AI-agents.
Bovendien maakt de NVIDIA Agent Open-Source Intelligence Toolkit een continuïteit van connectiviteit tussen agenten, tools en gegevens mogelijk. Met deze toolkit beschikbaar op GitHub kunnen gebruikers AI-teams verbinden, profileren en optimaliseren, met volledige traceerbaarheid van het systeem en prestatieprofilering om inefficiënties te identificeren en de resultaten te verbeteren. Het is framework-agnostisch, gebruiksvriendelijk en kan indien nodig worden geïntegreerd in bestaande multi-agent systemen.
Bouw en test redeneeragenten met de Lama Nemotron
Lees meer over Lama Nemotron, die recentelijk bovenaan de sectorreferentieranglijst staat voor geavanceerde wetenschap, codering en wiskundige activiteiten. Word lid van de gemeenschap die de toekomst van kunstmatige intelligentieagenten modelliseert op basis van redenering.
Onderzoek en perfectioneer ook het gebruik van de gegevensverzameling na de training van Open Lama om gepersonaliseerde redeneeragenten te creëren. Experimenteer met actieve en afsluitende redenering om kosten en prestaties te optimaliseren.
En test voortstuwingstests, inclusief verbeterde gegevensherstelgeneratie en het NVIDIA AI-project voor onderzoek en videosamenvatting, om snel prototypen te ontwikkelen en oplossingen te implementeren voor vooruitgang.
. Ik hou van wandelen in het bos en genieten van de rust en natuur.https://www.youtube.com/watch?v=V8Scni68W6Uhttps://www.youtube.com/watch?v=h65oluzaizq
BRON