У світі технологій спостерігається значна еволюція у використанні штучного інтелекту: компанії все частіше переходять від розгорнутого застосування великих мовних моделей до впровадження малих, спеціалізованих агентів. Такий крок обумовлений успішними результатами використання мікроагентів, які довели свою ефективність у виконанні завдань з вищою швидкістю та точністю.
Початково великі мовні моделі позиціонувалися як універсальні інструменти, здатні відповідати на відкриті запитання, генерувати документи та допомагати у дослідженнях. Однак у процесі експлуатації виникли помітні обмеження. Загальні моделі часто потребували значних обчислювальних потужностей, що призводило до затримок у періоди підвищеного навантаження, а також забезпечували нерівномірні результати під час виконання специфічних завдань в окремих галузях.
Мікроагенти стали перспективною альтернативою. Ці спеціалізовані агенти орієнтовані на виконання однієї конкретної задачі, тренуються на значно меншому обсязі даних та функціонують у чітких межах. Такий підхід зменшує ймовірність виникнення неточностей, скорочує час обробки запитів і надає компаніям більший контроль над продуктивністю. Залежно від специфіки, ці агенти легші в налаштуванні, швидші у розгортанні та передбачувані у роботі в масштабах.
Досвід пілотних проектів свідчить про те, що завдяки модульній структурі мікроагентів вдалося значно зменшити витрати на обслуговування. Кожен агент відповідає лише за одне завдання, у зв’язку з чим оновлення не вимагають переобладнання всієї системи. Це дозволяє командам швидко коригувати або замінювати окремих агентів, не перериваючи роботу інших.
Оптимізація процесів у CrowdStrike
Компанія CrowdStrike однією з перших почала впроваджувати мікроагенти на своїй платформі безпеки. Вона розробила агентів, які аналізують сповіщення, виявляють аномалії та рекомендують заходи реагування. Ці агенти навчені виключно на основі загроз, телеметричних сигналів та внутрішніх робочих процесів виявлення, а не на загальних даних.
Після впровадження нових агентів CrowdStrike покращила точність до понад 98% з початкових 80%, а також зменшила навантаження на аналітиків майже на 90%. Агенти обробляли сповіщення зі швидкістю, яка раніше вимагала залучення кількох аналітиків. Крім того, зменшилась варіативність, оскільки агенти оцінювали кожне сповіщення за єдиними критеріями.
Покращення внутрішніх процесів у PayPal
PayPal також впровадила мікроагенти, створені на базі відкритих моделей Nvidia, для підтримки широкого спектра внутрішніх операцій, зокрема виявлення шахрайства та підтримки розробників. Компанія уточнила агентів на основі власних даних у сфері платежів та комерції, що надало їм контексту, якого бракувало загальним системам.
PayPal зазначила, що нові агенти зменшили затримку на 50% у кількох внутрішніх інструментах, що сприяло підвищенню продуктивності розробників. Завдяки звуженню функцій, компанія змогла швидше вносити корективи та оновлення без значних змін у інтерфейсах. Додатково, PayPal оголосила про партнерство з OpenAI, щоб інтегрувати свій цифровий гаманець у платформу ChatGPT.
Використання агентів у Synopsys
Компанія Synopsys також приступила до впровадження агентів у процес проектування напівпровідників, розширивши співпрацю з Nvidia. Вона інтегрувала свою технологію AgentEngineer з NeMo Agent Toolkit та відкритими моделями Nemotron для підтримки процесів перевірки та аналізу коду в проектуванні чипів. Це допомагає інженерам автоматизувати певні етапи й забезпечує швидший доступ до інформації про потенційні проблеми.
Синтаксис також підкреслила, що агенти підвищують узгодженість, оцінюючи проектні дані за однаковими критеріями на кожному етапі. Оскільки процес проектування чипів містить тисячі стадій, автоматизація повторюваних дій є надзвичайно корисною.
Отже, мікроагенти, час від часу неминуче витискаючи великі мовні моделі, стають важливою частиною сучасних бізнес-процесів, демонструючи свою ефективність та здатність покращувати продуктивність в різних галузях.