Vývoj generativní umělé inteligence dospěl do nové fáze, ve které budou hrát hlavní roli agenti.
Agentní AI kombinuje všestrannost a flexibilitu velkých jazykových modelů (dále LLM) s přesností tradičního programování. Jde o systém nebo program, který je schopen autonomně vykonávat úkoly místo uživatele nebo jiného systému tím, že navrhuje svůj vlastní pracovní postup a využívá přitom dostupné nástroje. Má schopnost jednat tak, aby přijímal rozhodnutí, podnikal akce, řešil složité problémy a interagoval s externím prostředím nad rámec dat, na kterých byly jeho modely strojového učení trénovány.
AI agenti čerpají informace nejen z databází a sítí, ale jsou schopni se také učit z uživatelského chování a postupně se zlepšovat. Díky své adaptabilitě zvládají složité, vícestupňové AI aplikace, které by tradiční umělá inteligence nezvládla, což z nich činí klíčovou součást moderní strategie automatizace procesů v organizacích.
Agentní AI platforma v sobě zahrnuje velký jazykový model, který řídí chování několika agentů, nasazených do mnoha různých aplikací. Tito agenti se pak mohou stát dalšími AI modely, nebo jednoduchými vyhledávacími nástroji, které rychle vyhledávají informace v konkrétních znalostních databázích nebo kdekoliv online.
Agentní AI nás přibližuje k možnostem využití, které jsme až donedávna považovali za science fiction, tj. k situacím, kdy stroje dokážou plnit složité úkoly zahrnující komplexní pracovní postupy, rozhodovat se na základě dat a provádět akce s minimálním zásahem člověka.
[1]
Agentní umělou inteligenci lze tedy stručně popsat jako:
Pojďme se nyní detailněji na jednotlivé vlastnosti podívat.
Výkonná platforma agentní AI může zahrnovat desítky, nebo dokonce stovky agentů s různými schopnostmi, kteří spolu navzájem spolupracují. Agentní AI systém může obsahovat jednoduché reflexní agenty, kteří provádějí jeden jednoduchý úkol dobře a konzistentně. Složitější agenti založení na pravidlech mohou využívat aktuální vnímání a čerpat z paměti, což jim umožňuje přijímat a ukládat nové informace a plnit širší škálu úkolů. Učící se agenti jsou též schopni zpracovávat nová data, která pak využijí k provádění pozdějších rozhodnutí, čímž se zlepšuje jejich přesnost v průběhu času.
LLM jsou obvykle trénovány na statických datových sadách a nedokážou po skončení svého tréninkového období aktivně získávat nové informace z webu. Mohou proto generovat odpovědi pouze na základě toho, co již znají, a nikoliv v reálném čase samostatně přistupovat k datům získaných z externích zdrojů ani tato data aktualizovat.
Agentní AI však může být navržena tak, aby prohledávala web, volala aplikační programové rozhraní (API) nebo se dotazovala do databáze. Navíc je schopna využívat zpětnovazební smyčky, ve kterých aktivně vyhledává nová data pro zpřesnění svých modelů nebo rozhodovacích procesů. To může zahrnovat pravidelné dotazování nových zdrojů, sběr zpětné vazby od uživatelů nebo analýzu reálných výsledků, aby aktualizovala a zlepšila své porozumění nebo strategie. Tímto způsobem může LLM dosáhnout optimalizace v průběhu času díky bohatším a neustále se vyvíjejícím datům.
Díky „velkému mozku“ LLM a cíleným schopnostem agentů dokáže agentní AI fungovat nezávisle, a navíc autonomně vykonává specifické úkoly bez potřeby neustálého lidského dohledu. Může být pověřena neustálým monitorováním výkonnosti, upravováním strategie a optimalizováním výsledků na základě zpětné vazby, aniž by bylo nutné do každého kroku zapojovat člověka.
Ve vzdělávání mohou agenti kupříkladu monitorovat data studentů a přizpůsobovat doporučení jejich dalšího vzdělávání podle aktuálních vzdělávacích výsledků a poskytovat učitelům zpětnou vazbu v reálném čase.
AI agenti jsou také schopni analyzovat práci učitelů a vytvářet pro ně personalizované tréninkové plány či upravovat obsah a vzdělávací materiály dle jejich předchozích zkušeností, požadavků, konkrétní role nebo tempa učení.
Představme si například systém, který zahrnuje mnoho tabulek, záložek a pracovních postupů, které nejsou na první pohled vždy snadno pochopitelné. Pokud zaměstnanci chtějí získat užitečné informace, musí hledat správná data a procházet složitou škálou nabídek, aby získali požadované informace a z nich následně vytvořili potřebnou prezentaci.
Manuální získání potřebných dat by mohlo trvat klidně půl hodiny a další půl hodiny by zabralo jejich uspořádání do přehledného formátu vhodného k prezentaci. AI agenti však mohou tato data shromáždit během několika sekund a ve stejném čase je prezentovat v běžném lidském jazyce.
[1]
Odpověď na tuto otázku lze poměrně snadno odvodit z výše popsaných vlastností a scénářů.
Agentní AI systémy budou žákům a učitelům nabízet flexibilní, přizpůsobené a komplexní prostředky ke vzdělávání, které se následně stane skutečně personalizovaným. Managementu škol pak umožní intuitivní interpretaci potřebných dat s cílem tento personalizovaný přístup a prostředí pro žáky i učitele vytvářet a nadále rozvíjet.
Až se tak stane, nebudou už naši žáci řešit, co a jak se mají učit. Budou si však muset odpovědět na mnohem složitější otázku: zda se ještě vůbec něco učit chtějí.
*
Všechny články jsou publikovány pod licencí Creative Commons BY-NC-ND.
Článek nebyl prozatím komentován.
Pro vložení komentáře je nutné se nejprve přihlásit.
Tento článek je zařazen do seriálu Umělá inteligence.
Ostatní články seriálu:
Národní pedagogický institut České republiky © 2025
