Wat zijn AI-agents?
AI agents of agentic AI, die termen hoor je steeds vaker wanneer het gaat over automatisering. Maar wat zijn zulke AI-agents nu precies, en waarvoor worden ze gebruikt? En wat is het verschil met 'gewone' chatbots? Jens Krijgsman van AI Lab (Howest) legt het je van A tot Z uit!
Een AI-model dat zelfstandig actie onderneemt
De term 'AI' of 'artificiële intelligentie' is inmiddels goed ingeburgerd, maar wat zijn nu die 'agents'? Wel, een agent is een systeem dat zelfstandig actie onderneemt. Dat gebeurt nooit uit het niets: er is steeds een startpunt of trigger. Denk aan het ontvangen van een e-mail, een waarde op een sensor die te hoog wordt, of het drukken op een startknop.
Een agent kan verschillende zaken:
- waarnemen (info verzamelen en verwerken)
- plannen (redeneren en zo bepalen wat er moet gebeuren)
- handelen (acties uitvoeren met beschikbare tools)
- leren (zich aanpassen op basis van resultaten)
Zo kan de agent bijvoorbeeld een binnenkomende e-mail eerst analyseren en beoordelen op urgentie of op het sentiment dat erin wordt uitgedrukt, daarna beslissen welke actie in dat geval het meest geschikt is (meteen beantwoorden, samenvatten...) en die actie vervolgens ook uitvoeren.
Een agent is géén workflow
Een AI-agent wordt weleens verward met een 'workflow', maar die twee dingen zijn niet helemaal hetzelfde.
Een workflow is een soort treinspoor: je volgt daarbij een vaste route (en AI-modellen zoals LLM's kunnen een 'stop' zijn op die route). In het e-mailvoorbeeld van hierboven zou zo'n vaste route eruit kunnen bestaan om een binnenkomend bericht steeds eerst automatisch samen te vatten en vervolgens in een document op te slaan. Er worden dan geen specifieke keuzes gemaakt naargelang de situatie.
Eerder dan op zo'n vaste route of treinspoor, lijkt een AI-agent op een taxi met ingebouwde GPS die zich aanpast aan de situatie. De taxi volgt niet 1 vaste route: een onderliggend taalmodel beslist welke route er precies genomen wordt (bv. de e-mail eerst samenvatten, of er beter meteen op reageren...).
“ Een AI-agent is als een taxi met ingebouwde GPS die zich aanpast aan de situatie. De taxi volgt niet steeds dezelfde route: per geval beslist een AI-model welke route er het best is. ”
Hoe werkt een AI-agent?
Nu we het basisprincipe snappen, kijken we ook even onder de motorkap. Welke technieken schuilen er achter AI-agents?
De drijvende kracht achter een AI-agent is een groot taalmodel (ook wel large language model of LLM - denk aan tools zoals ChatGPT of Copilot). Zo'n LLM is erg goed in woorden voorspellen: het beantwoordt je vraag afhankelijk van de tekst of 'prompt' die jij meegeeft.
En de link met agents dan?
- In een AI-agent geef jij het onderliggende taalmodel ook een vraag of opdracht
- Daarnaast geef je een lijst van tools die het model kan gebruiken (bijvoorbeeld een rekenmachine, je e-mailprogramma...)
- Vervolgens schat het model zelf in welke tools er in welke volgorde nodig zijn om jouw vraag te beantwoorden
- En voert het de nodige stappen uit!
Deze afbeelding illustreert hoe zo'n agent te werk gaat: als een manager die perfect weet welk soort mensen er in zijn of haar team zitten (de teamleden stellen de beschikbare tools voor).
Wanneer er een opdracht binnenkomt (hier: een e-mail opstellen en de nodige berekeningen uitvoeren) start de manager met het maken van een planning, om die vervolgens door de juiste teamleden te laten uitvoeren.
AI-agents worden steeds beter
AI-agents zijn een hot topic en worden voortdurend verbeterd. Zo werd er recent een standaard manier ontwikkeld om tools efficiënt aan taalmodellen te koppelen (genaamd 'MCP' of 'model context protocol'). Ook zetten developers en onderzoekers volop in op volgende verbeteringen:
- Door via slimme 'context engineering' de context van agents in te perken (d.w.z. de limiet van hun geheugen) verlaagt de kostprijs en krijg je meer to the point antwoorden
- Door beperkte bronnen mee te geven (bv. enkele specifieke documenten), gaat het taalmodel enkel in die files een antwoord zoeken, en niet op quasi het hele internet. Dit heet 'RAG' of 'retrieval augmented generation'.
- Taalmodellen die op lokale servers kunnen draaien, maken je agent en jou minder afhankelijk van cloud providers
- Ook kleine taalmodellen ('small language models' of "SLM's") worden alsmaar beter. En ze draaien zelfs makkelijk op een eenvoudige laptop, ook zonder grafische kaart
Al deze ontwikkelingen doen AI-agents steeds meer evolueren van 'slimme chatbots' naar écht bruikbare assistenten, voor een breed publiek!
Referenties
- Een uitgebreide versie van deze blog lees je op de website van AI Lab (Howest).
Lees en leer meer
Develop AI agents on Azure
Online Cursus - Microsoft
AI AGENTS: van concept tot creatie
Opleiding - Gent - IFBD
AI Agents voor beginners
Sessie - online - Someflex
AI Agent Fundamentals
Skill Track - Online - Datacamp
Bouw je eigen AI-agent
Workshop - Heverlee - NCOI Learning
Introduction to AI Agents
Cursus - Online - DataCamp
Jens Krijgsman
Jens Krijgsman is een onderzoeker met uitgebreide kennis van zowel front-end- als back-end-development. Daarnaast heeft hij een achtergrond in software-architectuur. Hij houdt zich bezig met automatisering en AI-integratie in uiteenlopende projecten. Deze variëren van computervisiemodellen tot de nieuwste LLM's, waarbij MLOps-, AIOps- en DevOps-tools worden ingezet in combinatie met oplossingen op maat. Jens is een van de teamleads binnen het AI Lab aan Howest.
Expertise:
MLOps, fullstack development, CI/CD, gebruik van LLM's, RAG, finetuning, software engineering
Gerelateerde opleidingen
Introduction to Parallel Programming with MPI and OpenMP
Training - Jülich - forschungszentrum jülich
SAIAR Summer Studio: From latent to physical space
Zomerschool - Kortrijk - Howest Hogeschool, SAIARlab