AIエージェントとは

AIエージェントは、タスクを割り当てられ、環境を調査し、役割に応じた行動をとり、経験に基づいて調整することができるソフトウェア・エンティティです。

人は、エージェントの役割と組織のニーズに基づいてAIエージェントに目的を与えます。目的を手にしたエージェントは、トレーニング、組み込まれた用途、運用環境に基づいて計画を立て、タスクを実行し、目標を追求します。エージェントは学習と反復を繰り返し、特定の役割を担い、データ・ソースとの接続を行い、自ら意思決定を行う場合があります。高度なエージェントは、判断を必要とするマルチステップ・プロセスの実行を含む専門的な仕事を持ち、人間のやりとりを模倣した方法でコミュニケーションを行い、他のエージェントと協力することがよくあります。エージェントはモジュール式であるため、複雑なワークフローを実現できます。エージェントに与えられる自律性は、エージェントを呼び出す人間によって決まります。新しいアシスタントを採用する場合と同じように、熟練度が証明されれば、より多くの自律性が与えられる可能性があります。

エージェントは、自然言語処理、機械学習機能、他のツールやシステムへのクエリによるデータ収集機能、そして継続的な学習を組み合わせることで、質問への応答やタスクの実行を行います。良い例として、カスタマーサービス・AIエージェントが挙げられます。注文について顧客から「私の荷物はどこですか」と尋ねられると、エージェントは注文処理システムに照会し、APIを介して配送業者の追跡システムにクエリし、天候やその他の配送を遅らせる可能性のある外部要因に関する情報を収集することによって、その応答を作成します。

エージェントAIとは、単純なタスクの実行やクエリへの応答ではなく、目標や目的を積極的に追求するシステムを指します。エージェント・システムは、カスタマーサービスAIが配送業者に対して配送の遅延について問い合わせるクエリを先行的に送信するなどといったアクションの開始ができることがよくあります。

エージェントをより役立てる方法の1つは、大規模言語モデルに組織やエージェントの役割に特有の外部データソースを使用する技術である、取得拡張生成(RAG)を組み込むことです。RAGにより、エージェントは外部のデータベース、ERPなどのエンタープライズ・システム、またはドキュメントから最新の関連情報を検索し、回答に取り入れ、より有益で、正確で、対象者にとって適切な回答にすることができます。たとえば、ITサポート・エージェントは、顧客との過去のやりとりを考慮した上で、目の前の問題に対処する最善の方法を決定することができます。役立つドキュメントへのリンクを回答に含めたり、問題をエスカレーションする必要がある場合は、顧客に代わってチケットの発行を決定することもあります。

主なポイント

AIエージェントは先行的なプランナーであり、目的達成に必要なステップの特定に取り組みます。
他のAIテクノロジーと同様に、AIエージェントはそのトレーニング・データ、そして人間がその運用に設定した限界に見合ったメリットをもたらすことができます。
AIエージェントの成功には、明確に定義され、達成可能で、測定可能で、定量化可能な目標が必須です。
エージェントの導入ステップは他のAI導入と同様で、タスクパラメータを明確に定義することから始まります。

AIエージェントの説明

AIエージェントは、環境を認識し、行動を起こし、経験から学習することができるソフトウェア・エンティティです。人間の指示に基づいて自律的にタスクを実行するデジタル・アシスタントやロボットと考えればよいでしょう。AIエージェントには、目標を設定し、情報を収集し、ロジックを使用して目的を達成するためのステップを計画する機能に代表される、際立った特徴があります。クエリの背後にある意図を理解するインテリジェントを提供するLLMによって支えられているため、AIエージェントはキーワードやスクリプト、デフォルトのセマンティクスに依存しません。むしろ、チャットベースのプロンプトと組み合わせて、以前のタスクから保持されたデータを活用し、動的に解決策を導き出すことができます。

AIエージェントは、試行錯誤によっても学習します。強化学習とは、AIモデルがポジティブ、ニュートラル、ネガティブな反応に基づいて意思決定プロセスを改善することです。AIエージェントは人間の創意工夫を模倣し、クラウドベースのエンタープライズ・アプリケーションやデータソース、API、他のエージェントなどのツールを使用して目標を達成することが可能です。また、複雑なデータを分析するためにさらなるAIおよび機械学習ベースのシステム、入力を処理するための自然言語処理ツール、最新かつ状況に応じた適切なコンテンツを提供するためのRAG、業務に必要なコンピュート・リソースのためのクラウド・サービスを利用することもあります。

AIエージェントの仕組み

AIエージェントは、前述のようなテクニックやテクノロジーを組み合わせることで、与えられた目標を達成します。たとえば、推薦エージェントは機械学習を使って膨大なデータ・セットを活用しパターンを特定したり、自然言語処理を使ってリクエストを理解しユーザーとコミュニケーションをとったり、ERPシステム、データベース、IoTセンサーなどのエンタープライズ・ツールやインターネットなどの外部データ・ソースとのインターフェースを使って情報収集することがあります。

AIエージェントはプランナーです。与えられた目標を達成するために必要なタスクやステップを特定できます。カスタマーサービス・エージェントが、ある貨物の所在を把握するには、一連のアクションが必要となります。まず、出荷ID、配送方法、発注日など、特定の注文に関する情報を持つデータベースにアクセスします。次に、そのデータを使用して、Webサービス・インターフェースで配送業者のデータベースをクエリし、リアルタイム・トラッキングと推定配達日を提供します。エージェントはまた、貨物の現在地と、次の配送工程にこれまでどれくらいの時間がかかったかを調べることもできます。貨物がボストンの航空貨物ターミナルにあり、ハリケーンが東海岸を移動している場合、エージェントは遅延の可能性を推測し、顧客にその情報を伝える可能性があります。

AIエージェントのメリット

AIエージェントは、他のAIテクノロジーと同様に、トレーニングおよび利用できるデータの量に見合ったメリットを提供できます。エージェントが、より静的な先行技術とは異なる特徴は、質の高い意思決定を行うために十分なデータがないことを認識し、より多くの、あるいはより適切なデータを得るために行動を起こせることです。アプリケーション内でのエージェントの形成は、AIの高度な応用バージョンです。そのため、組織はエージェントを用いて成功するためには、ビジネス・プロセスを理解する者や、場合によってはデータ品質のエキスパートほど、AIの達人は必要ないことを認識します。こうした専門家は、エージェントの目標の定義、パラメータの設定、ビジネス・ゴールが達成されているかの評価を支援することができ、AI自体に不具合があると判断した場合にのみ、IT部門やソフトウェア・ベンダーに連絡します。

AIエージェントの導入初期に挙げられた具体的なメリットは以下の通りです。

24時間365日の可用性。AIエージェントは、ダウンタイムなしの連続運用が可能です。また、クラウドから提供されるエージェントであれば、顧客、従業員、その他のユーザーがどこにいても操作可能です。
正確性AIエージェントは、反復的なタスクを実行する際のヒューマンエラーを最小限に抑え、大量のデータを活用することで、より正確で十分な情報に基づく意思決定につながります。もちろん、それは正確で最新かつ完全なデータソースにアクセスできることが前提です。第一世代の生成AIツールとは異なり、エージェントは、十分な意思決定を行うための十分な情報がない場合、よりよく認識し、必要に応じてさらにデータを求めることができます。
整合性AIエージェントは、規定されたプロセスや手順に従うようにすることができ、毎回同じ方法でタスクが実行されるように支援します。エージェントはまた、人間の疲労や従業員によるプロセスの実行方法の違いから生じるばらつきを最小限に抑えることができます。
コスト削減AIエージェントは、かつて人間が行っていた反復的な作業を自動化することで運用コストを削減することができ、また企業にとってコストになり得るエラーを減らしながら、プロセスを最適化する方法を見出したり提案することも可能です。
データ分析AIエージェントは、長期計画、不正検出、機器の故障を未然に防ぐ予知保全などの分析活動のために、膨大なデータセットを処理および解釈することができます何らかの理由でエージェントがデータ分析できない場合は、他のツールを呼び出して対応することが可能です。
効率性AIエージェントはタスクやプロセスを自動化し、人間の従業員をより複雑で戦略的な活動に集中できるようにすることができます。また、AIエージェントは休暇を必要としません。
パーソナライズ。エージェントが作成するAIによるマーケティング・キャンペーンにより、企業は特定のカスタマー・セグメンテーションを効果的にターゲットとすることができ、コンバージョン率の向上とマーケティング・コストの削減につながることがよくあります。マクロ・レベルでは、パーソナライゼーションがトレンドであることには理由があります。それは、多くの消費者が、企業が自分の購入履歴、嗜好、個人情報を記憶し、使用していることを好んでいることです。
スケーラビリティAIエージェントの利用をスケールアップするには時間がかかることがありますが、新しいリソースを追加するよりも容易で、コストも低く抑えることができます。エージェントの役割は、新しいタスクを与えるたびに仕事の質を評価しながら、計画的なペースで拡大していきます。エージェントが利用可能なデータやその他のリソースが、新しい目標を達成するために十分かを検討します。トレーニングも欠かせません。従業員には、エージェントを最大限に活用するための教育が必要です。

AIエージェントの課題

AIエージェントは、複雑なモデル、強力なコンピューティング・インフラストラクチャ、キュレーションされ、常に最新の状態に保たれる必要のある大量のデータに依存しているため、開発および本番稼動が困難な場合があります。さらに、エージェントが人間と効果的にやりとりし、不測の事態に適応することを確認するためにIT人材の監視が必要となり、ビジネスとデータのエキスパートがセットアップを支援する必要があります。自然言語処理と機械学習の専門知識を有することを確認し、これらの問題に注意する必要があります。

適応性。エージェントは時間をかけて学習し、改善するように設計されていますが、急速に変化する環境や予期しない要求や結果に直面すると、困難に見舞われます。一般的な原因はオーバーフィッティングで、モデルがトレーニングしたデータに適応しすぎてしまい、新しいデータを取り入れることが難しくなるというAIトレーニング共通の課題です。そのため、エージェントの守備範囲は限られています。脳外科医に配管工事を依頼することは決して得策ではないという考え方は、エージェントにも当てはまります。
複雑さとの特定の単純作業に特化したAIエージェントは比較的簡単に使うことができますが、割り当てられるタスクが高度なものになり、さまざまな機能が求められるようになると、エージェントの設計、導入、メンテナンスが難しくなる可能性があります。あらゆる新しい試みと同様に、エージェントの導入は、少しずつ段階を踏んで行うことが最適です。
データへの依存。すべてのAIがそうであるように、エージェントは優れたパフォーマンスを発揮するために高品質なデータを必要とします。人材管理やERPなど、他のシステムと統合されているAIエージェントは、これらのシステムが本来、高品質なデータを蓄積しているため有利ですが、やりとりやデータ交換を処理するために調整が必要な場合があります。組織は、エージェントが利用するデータ・ソースが正確で、タイムリーで、利用可能なものであることを確認する必要があります。
解釈性。第一世代の生成AIシステムは「ブラックボックス」として運用され、その出力を解析することは困難でした。エージェントは、意思決定がどのように行われ、どのデータが意思決定に考慮されたかをより分かりやすく説明できるように設計されています。シンプルなタスクから開始し、基本をマスターした場合にのみ、より複雑なタスクに移行することで、ビジネス・プロフェッショナルによるエージェントの仕事の進め方の理解を支援することができます。さらに、エージェントが間違いを犯した場合、ビジネス・エキスパートによる修正から学ぶことができます。このようなやりとりは、エージェントがどのように仕事をしているかの理解を深めることに貢献します。
リソース集中的な運用。すべてのAIと同様に、エージェントは大きな処理能力とストレージを必要とします。エージェントがクラウド・アプリケーションの一部である場合、システムに適切なリソースを割り当て、適切なパフォーマンスを提供できるかどうかはプロバイダー次第です。オンプレミスのアプリケーションでは、IT部門が十分なリソースを確保する必要があります。
セキュリティ・リスクビジネス・プロフェッショナルが必要とするサービスを提供するためには、エージェントは企業の機密情報にアクセスする必要があります。さらに、エージェントは少なくともトランザクションの結果を記憶することができるため、エージェントが機密データへの望ましくないアクセスを提供しないことを保証するよう支援することが重要です。ほとんどのエージェントは業務アプリケーション内で提供されるため、エージェントが専有データを漏えいしないように制御を確立し、維持することが重要です。それでもなお、エージェントは悪質なアクターにとって新たな攻撃手段となり、エンタープライズ・セキュリティチームにとっては新しいスキルセットとなるため、データ損失の可能性があるかどうかを継続的に評価する必要があります。

AIエージェントの構成要素

AIエージェントは、エージェントのタイプやユースケースによって具体的な組み合わせは異なりますが、さまざまなインプットを活用して業務を遂行します。カスタマーサポート・エージェントは顧客と会話し、顧客の購入履歴やサポート履歴を参照し、サポート・ライブラリにアクセスして質問に答えます。他のエージェントとしかやりとりしないエージェントも存在します。データベース・クエリ・エージェントは、SQLクエリを作成して、他のエージェントから要求された情報を取得します。バーチャル・アシスタントとして機能するエージェントは、多くの場合、人間のフィードバックに基づいて、タスクをどれだけうまく達成できたかで成功を測定します。すべてのエージェントは、独自の組み合わせによる構成要素を必要とします。

アクション。アクチュエータやインターフェースにより、エージェントは環境とやりとりすることができます。アクションは、ノブを回す、自動運転車を操縦する、ロボットアームを制御するなどの物理的なもの、オープニングギャンビットの複数のオプションの中から決定する、チェックメイトを達成するための可能な方法のリストを作成するなどの認知的なもの、または電子メールを作成する、音声を書き起こす、質問と回答などのコミュニケーションによるものなどがあります。
目標/有用性。目標と有用性は関連しています。目標は、人事アシスタントがリクルーターやハイアリング・マネージャーの意見を取り入れながら職務記述書をうまく作成するような、望ましい結果をエージェントに定義します。有用性は、エージェントの目標達成度を測定し、数値で表すことができます。ゲーム・エージェントは勝ち試合によって有用性を測定しますが、自律型車両の有用性はその安全記録と乗り手の得点に大きく基づきます。
学習AIエージェントは、達成したタスクから学んだ知識を取り入れることで、その結果を改善することができます。LLMの学習はトレーニングが終了すると停止しますが、独自のデータと質問のどの組み合わせが最良の結果を生むかを観察することで、エージェントは時間の経過とともにタスクをより適切にこなせるようになります。エージェントは、教師あり、教師なし、強化学習などの追加トレーニングによって新しい知識を習得することもできます。リクルーターはエージェントが作成した職務記述書について評価し、その有用性にスコアをつける場合があり、エージェントはそのデータを使用して将来の文章作成に役立てます。
メモリ。これは、エージェントが過去の経験から情報を保存し、より十分な情報に基づく意思決定を行い、状況の変化に適応するために、その情報を取り出して使用する機能を指します。メモリはAIエージェントが長期的にパフォーマンスを向上させるために必須です。
認識。AIエージェントは、センサーやその他のメカニズムを使用して、環境から情報を収集し、認識することができます。例えば、物体を認識してパターンを検出するカメラや、話しかけられたクエリをキャプチャして処理するマイクなどが考えられます。また、エージェントはセンサーを使用して、物理オブジェクトの操作や物理世界での自身の位置のナビゲーションを支援することもあります。
推論。データ、規則、確率、学習されたパターンに基づく論理的意思決定は、AIエージェントにとって基本的なものです。推論は、エージェントが複数の異なる選択肢を識別し、利用可能な情報と結果基準に基づいて最適な行動方針を決定することを可能にします。

AIエージェントの種類

シンプルな反射エージェント。これらのエージェントは、一連の条件/アクションルールに基づいて動作し、より広い背景や履歴を考慮することなく入力に反応します。たとえば、状況を理解したり、幅広い会話に取り組むことなく、デフォルトのキーワードやフレーズに反応するようにプログラムされた基本的なチャットボットなどがあります。
モデルベースの反射エージェント。これらのエージェントは、機能に関連する環境の内部モデルを持っており、現在の状況とさまざまな行動の影響を考慮した上で、何をすべきかを決定することができます。自動運転車が良い例です。その「世界」は、周囲の道路です。自動運転車は、その世界の中で物体の動きを追跡し、どのくらいの速度で走行できるか、物体が向かってきたときにブレーキをかけたり回避行動を取る必要があるかどうかなどの意思決定を行う必要があります。
目標ベースのエージェント。これらのエージェントは、長期的な目標を考慮し、それに基づいて行動を計画することにより、反射エージェントの機能に基づきます。これらのエージェントは、長期的な目標を考慮し、それに基づいて行動を計画することにより、反射エージェントの機能に基づきます。たとえば、チェスや囲碁のエージェントは数手先を読み、勝つための戦略を立てる必要があります。
有用性ベースのエージェント。これらのエージェントは、AIエージェントが時間経過とともに目標をどれだけうまく達成できたかを示す尺度である「望ましい有用性」を最大化することに基づいて意思決定を行います。つまり、より戦略的に行動を選択し、長期的にポジティブな結果につながる可能性の高いもの、あるいはネガティブな結果を最小限に抑える可能性の高いものを選択します。競合する目標に直面しても、バランスを取ることで満足度やメリットを最大化することを目指します。目標ベースのエージェントがゲームに勝つことを目指すのに対し、有用性ベースのエージェントは、エネルギー使用量を最小化したり、利益率の高い製品の売上を最大化したりするなど、継続的な目標に向けて最適化し続けることを目指します。
学習エージェント。これらのエージェントは、新しいデータを取り込み、ユーザーとのやりとりに基づいて応答を改善することで、時間の経過とともにパフォーマンスを向上させます。レコメンデーション・エンジンは学習エージェントです。エージェントが映画やテレビ番組、音楽、消費者が購入したいと考える可能性のあるアイテムを推薦する場合でも、精度は時間の経過とともに向上します。

AIエージェントのユースケース

最適なAIエージェントのユースケースには通常、AIエージェントが依存するCRMやERPなどの関連データおよびその他のシステムがあります。また、それらはタスク指向でもあります。顧客の質問に答えたり、乗客をA地点からB地点まで運転するといったことを考えてみてください。時間の経過とともにパフォーマンスを向上させ、環境や割り当てられた目標を理解した上で意思決定を行うエージェントの機能を活用した業務をお探しください。

現在の一般的なユースケースは次のとおりです。

自動運転車。自動運転車は、周囲の環境に基づいてナビゲーションし、意思決定を行います。
推奨コンテンツ。NetflixやYouTubeのようなプラットフォームでの推薦は、パーソナライズされたコンテンツを通じてエンゲージメントを高めることができます。
顧客サポート顧客からの問い合わせに答えるための自動チャットボットは、あらかじめ用意された回答を超えた対応ができることが顧客満足のカギになります。
財務金融サービス企業が使用しているエージェントには、自動取引システムや不正検出などがあります。
ゲーム一例として、NPC（ノンプレイヤー・キャラクター）として適応して行動するエージェントがあり、ビデオゲーム開発者が主要なプロットに集中できるよう支援します。
医療特定の病状を診断したり、患者のケアを管理したりするAIエージェントは、（通常は匿名化された）患者記録や医療画像を使ってトレーニングされ、パターンを識別できるようになるため、転帰やリスク要因を予測し、可能な行動方針を推薦することができます。
パーソナル・アシスタント。SiriやGoogleアシスタントなどのバーチャル・アシスタントは、顧客とのやりとりを通じて学習するエージェントの例です。
小売業小売業の選択肢はほぼ無限です。たとえば、Neostarは、中古車の購入、販売、サービスのプラットフォームを提供しています。顧客に個別のコミュニケーションを提供するためにエージェントを使用しており、推奨製品リストを使ってEメール・メッセージでおすすめする自動車を強調することで、再び顧客の関心を引き、Neostarのウェブサイトを利用するよう促しています。
ロボティクスAI主導のロボットは、環境を認識し、意思決定を行い、行動を起こすエージェントによって制御できます。たとえば、メーカーや組立ラインで使用しているロボットは、ピッキング、梱包、品質管理などのタスクを実行するために、AIエージェントに依存していることがよくあります。
スマート・ホーム。ホーム・オートメーション・システムを管理し、口頭での質問に答えることは、AIによるセキュリティ・カメラ、ドアベル、潜在的な脅威を検知して対応するアラームを管理することと同様に、エージェントの一般的な仕事です。
サプライチェーン管理ロジスティクスの最適化には、エージェントを使用して在庫データを分析、動きの遅いアイテムを特定、需要パターンの変化を検出、それに応じて在庫水準を調整することで、保有コストを削減することなどが考えられます。

AIエージェントの６つのベストプラクティス

あらゆるテクノロジーへの投資と同様に、AIエージェントには、現在および将来にわたって、コスト対効果の高い形で必要な機能を提供することが望まれます。アプリケーションに組み込まれたエージェントにとって、ベストプラクティスは、初期の出力を注意深く監視し、割り当てられたタスクをこなすにつれ、作業の複雑さを増加させるなど、新入社員に使用するものと似ています。

組織独自のニーズに合った独自のエージェントを作成しようとする場合、そのプロセスはより複雑です。以下の6つの要件と、それらに対処するための推奨事項をご確認ください。

明確な目標の設定。明確に定義され、達成可能で、測定可能かつ定量化された目標は、AIエージェントにとって必須です。人間の従業員と同様に、エージェントが期待を理解していなければ、期待に応えることはできません。成功のカギは、目標を明確かつ具体的にすることです。然とした目標やあいまいな目標は避け、AIエージェントの機能とリソースを考慮した上で達成可能な目標を目指します。成功を測定するKPIを定義し、そのデータをモデルの改善に使用します。
継続的な学習エージェントの中心となるLLMを継続的にファインチューニングすることは現実的ではありませんが、意思決定やタスクを実行するために使用しているデータを改善することは可能です。アプリケーションに組み込まれたエージェントの場合、システムを支えるLLMのトレーニングをいつ改善するかはベンダー次第です。また、エージェントとのやりとりが保存され、エージェントの過去の作業の記憶を促進するために再現される仕組みを改善するのもベンダー次第です。

カスタマイズされたエージェントでは、LLMそのもののファインチューニングよりも、メモリ技術や供給されるデータやその他のインプットを改善することの方が頻繁な場合があります。独自のエージェントを構築する場合、エージェントが使用できるようになる前にこれらのプロセスを実行し、エージェントの運用を最適化するために調整する必要があります。
ドキュメントドキュメントは、AIエージェントの理解、メンテナンスおよび改善に不可欠です。考慮すべきドキュメントには、少なくとも主に2つの種類があります。
- 技術文書には、AIエージェントのコンポーネント、データ・フロー、意思決定プロセスの図と、AIエージェントの機能に必要な新しいコードの記録、使用されるアルゴリズムとモデル、AIエージェントを操作するためのデータが含まれる場合があります。
- 運用ドキュメントには、ユーザー向けのAIエージェントとのやりとりに関するマニュアル、IT部門向けのトラブルシューティングを含むAIエージェントのメンテナンスに関するガイドライン、エージェントを機能させるために必要なデータソースとの統合に関する手順などが含まれます。
また、AIエージェントのパフォーマンスを測定するために使用しているKPIを追跡および共有し、結果を時系列でグラフ化します。
人間による監視。新入社員と同様に、エージェントも組織とその慣行について学習する時間が必要です。また、エージェントにタスクを与え、その結果をモニタリングするという点でも、時間をかけて進めていくことが望まれます。エージェントが自律的に働けるとチームメンバーが確信するまで、幅広く監督します。個人またはチームに監視の役割を割り当て、ガバナンス構造の下で運用し、ヒューマンインザループ・システムに介入できるようにし、エージェントが人間のフィードバックを取り入れ、優先度設定することができるようにします。
堅牢なテスト。導入前と導入後の両方で、さまざまなシナリオでエージェントを徹底的に調査し、ベンチマークや実際のプロセスの結果に照らしてパフォーマンスを測定する検証テストを重視します。可能な限り、エージェントのすべての構成要素を個別にテストし、それらがどのようにやりとりするかを観察します。また、エージェントがボトルネックなく、関連する外部システム(ERPやデータベースなど)からデータを取得していることも確認します。最後に、システムの実際のユーザーを使ったUXテストを行います。
セキュリティ対策。エージェントが使用するデータを暗号化し、必要に応じて匿名化することで、不正なアクセスや攻撃からエージェントを保護します。堅牢なアクセス制御も重要です。ネットワークおよびインフラストラクチャのセキュリティ、セキュアなコーディング、モニタリングとインシデント対応、保証の実践は、AIシステムにも適用する必要があります。

AIセンター・オブ・エクセレンスは、AIエージェントの導入を監督および管理する上で極めて重要な役割を果たします。まだご用意がない場合は、こちらで今すぐ導入して稼働させる方法をご覧ください。

eBookを読む

AIエージェントの導入

エージェントを導入するステップは、他のAI導入と同様です。最初に、目標と目標に関してできるかぎり具体的に、エージェントに何をさせたいかというタスクの定義を行います。次に、エージェントが従う機能プロセス、アクセスする必要があるデータ、関連するビジネス・エキスパート、および作業の一部としてアクセスできるツールやその他のエージェントを特定します。

多くの場合、小規模なベータ・テスト・グループを割り当て、使用と結果を注意深くモニタリングし、その結果に基づいてエージェントを調整し、実証された成功に基づいて自律性を向上させることから始めることが最適です。適用可能であれば、そのプロセスを新入社員のプロビジョンのモデルにすることもできます。小売業者が新学期シーズンに向けて計画するのを支援するために、オンラインに登場する需要予測エージェントを考えてみましょう。

職務記述書の作成。AIエージェントは、バックパック、ノートブック、子供服などの製品の需要予測を行うことが期待されています。
必要なデータの決定。データ・ソースをキュレーションして、エージェントを成功へと導きます。需要予測担当者は、予測する製品の過去の販売実績、現在の市場動向と経済指標に関する情報、顧客の属性と購入履歴を最低限必要とします。予想される平年を上回る気温など、需要に影響を与える可能性のある季節パターンや、成功したプロモーション、割引、マーケティング活動の履歴データを追加することで、精度向上を支援することができます。
ヘルパーの導入。AIエージェントを在庫管理、ERP、サプライチェーン計画ツールなどの他のシステムと統合することは、その効果の向上を支援します。また、価値あるインサイトを提供し、AIエージェントがより正確な予測を行うのを支援することができる、関連製品ラインの専門家を特定することをお勧めします。
フィードバックの提供。定期的な評価とチューニングは、多くの場合価値があることが証明される先行投資です。顧客と専門家からフィードバックを収集し改善領域を特定し、必要に応じてソフトウェア・プロバイダーと協力して調整します。

注意点：AIエージェントを実行するために十分なコンピューティング・リソースを用意する必要があります。パフォーマンスに遅れが生じると、プロジェクトが軌道に乗る前に意欲が損なわれます。

AIエージェントの例

これらは、現在利用可能なAIエージェントの一部にすぎません。組織は、その問題点に目を向ける必要があります。充填が難しい役割は何でしょうか。仮説を検証するためのリソースが不足しているにもかかわらず、特定できていない機会にはどのようなものがあるでしょうか。AIによって対処できる可能性のある従業員や顧客からの苦情はありますか。また、クラウドおよびエンタープライズ・アプリケーション・プロバイダーに相談し、製品やサービスにどのようなエージェントを組み込んでいるかを確認しましょう。これらのロードマップからアイデアを得ることができます。

AIエージェントの例

外部とやりとりする会話エージェント。エンタープライズ・アプリケーションの場合、通常は人間とやりとりしますが、別のソフトウェア・アプリケーションとやりとりすることもあります。たとえば産業用機械製造の場合、会話エージェントは製造機器やIoT機器とやりとりします。
機能エージェントは、ユーザー・プロキシ・エージェントとも呼ばれ、特定の組織のペルソナまたはロールに関連付けられます。実際の例を使用すると、毎年の健康診断を受診する際に、複数の「機能的エージェント」に遭遇することがあります。受付のエージェントは入室を確認し、看護師エージェントは体重や血圧などの基本的なバイタルを測定します。最後に、医師の診察を受けますが、医師は診察を要約するエージェントのサポートを受けながら、より詳細な診察を行います。これらのエージェントは、それぞれ異なるツールを使用して特定の専門知識を持ったサブタスクを実行し、タスクを達成するために必要に応じて相互に通信します。

機能エージェントの例は次のとおりです。
- ハイアリング・マネージャー・エージェント。求職者のスキルと経験例などの要件をドキュメント化し、ハイアリング・マネージャーが求人情報を掲載できるように支援するなどのタスクを実行します。
- フィールド・サービス・エージェント。技術者に情報を提供し、スケジューリングなどのタスクを自動化し、診断に役立ち、フィールド・サービス・ワークフローをより効率的にするためにその他の意思決定を行います。
- 売掛金管理エージェント。支払い処理の効率化、督促手続きの開始などキャッシュフロー改善のための行動、売掛金パフォーマンスに関するレポートの作成などを行います。
- カスタマーサポート・エージェント。人間のサポート・エージェントや顧客に関連情報を提供することで、カスタマー・サポート機能を強化します。
オーケストラのリーダー的存在の監督エージェント。このエージェントは、他のエージェントに指示を与え、目的を達成するために必要な計画と推論を推進します。一例として、人間に代わって行動するか、あるいはヒューマンインザループのフィードバックのために人間とつながるかについて意思決定を行うユーザプロキシ・エージェントがあります。
ユーティリティ・エージェント(タスクベース・エージェントとも呼ばれる)は、通常、特定の機能に関連付けられ、データベースのクエリ、メール送信、計算の実行、ドキュメントの取得などのタスクを実行するために他のエージェントから呼び出されます。複雑なワークフローの一部として導入されることが多いユーティリティ・エージェントは、その機能のリスクが低いため、自律的に動作することがよくあります。例
- コーディング・エージェント。HTML、Java、Pythonなどの言語を使用して特定のタスクを実行するコードを記述します。
- 会話エージェント人間からタスクを受け取り、タスクの依頼者に最適な方法でワークフロー・タスクの結果を伝えます。
- コピー生成エージェント。テキストを要約したり、長いコミュニケーションの開始点として使用するサンプル・テキストを生成します。
- データベース・クエリ・エージェント。SQLクエリの作成など、データ取得に関連するタスクを実行します。
- RAGエージェント。LLMがプロンプトに適切に応答したりタスクを実行するために必要な、特定の最新データの取得を調整します
- スケジューラ・エージェント。プロジェクトを進行するためにステークホルダーとのミーティングをスケジュールします。
- 検索エージェント。Web検索やドキュメント検索など、最適な検索タイプを決定し、適切なツールを呼び出してタスクを実行します。
- スキル強化エージェント。ドキュメントを使用して、求人情報の作成や従業員のプロファイル作成の支援など、タスクの完了に必要なスキルを提案します。

OCI生成AIエージェントによる効率の向上

OCI生成AIエージェントはLLMとRAGの機能を組み合わせ、従業員、パートナー、顧客がエンタープライズ・データで強化されたさまざまなナレッジ・ベースを直接クエリできるようにします。カスタムAIエージェントを作成し、エンタープライズ・ビジネス・アプリケーションおよびプロセスに組み込みます。

このサービスでは、自然言語インターフェイスを通じて最新情報を入手し、それに応じて対応できます。AIエージェントテクノロジーのお試しをご検討でしょうか。オラクルのAIエージェント・シリーズの第1弾であるOCI Generative AI RAG Agentが一般提供されています。

私たちのほとんどがチャットボットに質問をして、問題を解決しない回答を受け取ったことがあるでしょう。そのようなフラストレーションをなくすことが、スマートAIエージェントの最終目標です。状況に応じた正確で適切な情報を提供することは、人のためにも組織のためにも有益です。

AIエージェントに関するFAQ

AIエージェントの種類を教えてください。

AIエージェントには、シンプルな反射、モデルベースの反射、目標ベース、有用性ベース、学習エージェントなどの種類があります。

シンプルな反射エージェントは、一連の条件/アクションルールに基づいて動作し、より広い背景や履歴を考慮することなく入力に反応します。
モデルベースの反射エージェントは、機能に関連する環境の内部モデルを持っており、現在の状況とさまざまな行動の影響を考慮した上で、何をすべきかを決定することができます。
目標ベースのエージェントは、長期的な目標を考慮し、それに基づいて行動を計画することにより、反射エージェントの機能に基づきます。
有用性ベースのエージェントは、通常、特定の機能に関連付けられ、データベースのクエリ、メール送信、計算の実行、ドキュメントの取得などのタスクを実行するために他のエージェントから呼び出されます。
学習エージェントは、新しいデータを取り込み、ユーザーとのやりとりに基づいて応答を改善することで、時間の経過とともにパフォーマンスを向上させます。

AIにおけるエージェントの実例を教えてください。

AIエージェントの初期の実例としては、アラームの設定、メッセージの送信、情報の検索などのタスクを実行できるバーチャル・アシスタントであるAlexa、Googleアシスタント、Siriがあります。Oracle Digital Assistantは、企業がカスタマーサービスやその他のアプリケーションのためにチャットボットやバーチャルアシスタントを作成できるようにする対話型AIプラットフォームです。