AI エージェント

AI エージェントは、高度な目標に基づいて複雑なタスクを自律的に推論、計画、実行するように設計された 進化した AI システムです。

AI エージェントは、私たちのために、そして私たちと共に働く新しいデジタル労働力です。 AI エージェントは、単純な自動化から複雑なワークフローを管理できる自律システムへの移行という人工知能 (AI) における次なる進化を象徴するものです。これらのエージェントは、反復的な時間のかかるタスクを自動化するだけでなく、インテリジェントなパーソナル アシスタントとして機能し、個人や組織がより効率的に業務を行うことができるようにします。 

従来の生成 AI モデルが基本的な「リクエストと応答」というフレームワークに従うのとは異なり、AI エージェントは、リソースの調整、他のエージェントとの連携、大規模言語モデル (LLM)、検索拡張生成 (RAG)、ベクトルデータベース、API、フレームワーク、Python のような高度なプログラミング言語などのツールの活用により、一歩先を行きます。

「エージェント AI」または「LLM エージェント」と呼ばれることが多いこれらのシステムは、反復的な計画と意思決定を通じて目標を達成する能力が際立っています。例えば、Web サイトの構築をタスクとする AI エージェントは、レイアウト設計、HTML と CSS コードの記述、バックエンド プロセスの接続、コンテンツの生成、デバッグといった作業を人の介入は最小限にして自律的に管理することができます。

AI エージェントの動作を理解するには、その中核となるコンポーネントを正しく理解することが重要です。 これらのコンポーネントは連携して機能し、エージェントが効果的に推論、計画し、タスクを実行できるようにします。

• LLM: AI エージェントの「頭脳」である大規模言語モデル (LLM) は、意思決定の調整を担っています。タスクを通じて推論し、アクションを計画し、適切なツールを選択し、目標を達成するために必要なデータへのアクセスを管理します。 エージェント コアは、エージェントの全体的な目標と目的が定義され、調整される場所です。
• メモリ モジュール: AI エージェントは、コンテキストを維持し、進行中または過去のタスクに適応する上でメモリに依存しています。
  • 短期メモリ: エージェントの「思考パターン」と直近のアクションを追跡し、現在のワークフロー全体でコンテキストが維持されるようにします。
  • 長期メモリ: 過去のやり取りや関連情報を保持することで、時間の経過とともにコンテキストをより深く理解し、意思決定を改善します。
• 計画モジュール: 計画モジュールにより、AI エージェントは複雑なタスクを実行可能なステップに分割できます。
  • フィードバックなし: 「思考の連鎖」や「思考の木」などの構造化された手法を使用して、タスクを管理可能なステップに分割します。
  • フィードバック付き: ReAct、Reflexion、ヒューマン イン ザ ループ フィードバックなどの反復的な改善手法を取り入れ、戦略と成果を向上させます。
• ツール: AI エージェントは、それ自体がツールとして機能することもできますが、次のような外部システムと統合することで、その機能をさらに拡張することができます。
  • API: リアルタイムのデータへのアクセスやプログラムによるアクションを実行します。
  • データベースと RAG パイプライン: 関連情報を取得し、ナレッジベースの情報を正確に確保します。
  • その他の AI モデル: 専門的なタスクの場合、他のモデルと連携します。

AI エージェントは、コアコンポーネントをシームレスに組み合わせて、複雑なタスクに取り組ます。 以下は、特定のユーザーリクエストに応じてこれらのコンポーネントがどのように連携するかを示した例です。

プロンプトの例: 最新の四半期の売上データを分析し、グラフを作成してください。

ステップ 1. ユーザーまたはマシンからのリクエスト

ユーザー、あるいは別のエージェントやシステムが、販売データの分析と視覚的な表現をリクエストすることで、エージェントのワークフローが開始します。 エージェントはこの入力情報を処理し、実行可能なステップに分割します。

ステップ 2. LLM: タスクの理解

LLM は、AI エージェントの頭脳として機能します。 ユーザーのプロンプトを解釈し、以下のようなタスク要件を理解します。

• データベースからのデータ取得。
• データ分析の実行。
• 視覚グラフの作成。

LLM は以下を決定します。

• すでに取得している情報。
• 追加的に必要とするデータまたはツール。
• タスクを達成するためのステップバイステップの計画。

ステップ 3. 計画モジュール: タスクの細分化

計画モジュールは、タスクを特定のアクション別に分割します。

• 取得: 会社のデータベースから最新の売上データを取得します。
• 分析: 適切なアルゴリズムを適用して傾向と洞察を特定します。
• 可視化: 結果を提示するグラフを生成します。

ステップ 4. メモリ モジュール: コンテキストの提供

メモリ モジュールは、コンテキストを確実に保持しタスクを効率的に実行できるようにします。

• 短期メモリ: プロセスを効率化するために、前四半期にリクエストされた同様のタスクなど、現在のワークフローのコンテキストを追跡します。
• 長期メモリ: データベースの場所やお気に入りの分析手法など、過去の知識を保持し、コンテキストをより深く理解できるようにします。

ステップ 5. ツールの統合: タスクの実行

エージェント コアは外部ツールを調整して、各ステップを完了します。

• API: 未加工の売上データを取得します。
• 機械学習アルゴリズム: データを分析し傾向とパターンを把握します。
• コード インタプリター: 分析結果に基づいてグラフを生成します。

ステップ 6. 推論と反省: 成果の向上

タスク遂行のプロセス全体で、エージェントは推論を適用してワークフローを改善し、精度を高めます。 これには以下が含まれます。

• 各アクションの有効性の評価。
• ツールとリソースの効率的な使用を保証。
• ユーザーからのフィードバックから学習し、将来のタスクを強化。

例えば、生成されたグラフを改良する必要がある場合、エージェントは次回以降のワークフローでより良い結果を提供できるようにアプローチを調整します。

推論レイヤーは、エージェント型 AI を定義する特徴であり、エージェントが目標を達成する方法について考えられるようにします。LLM の機能を、API、オーケストレーション ソフトウェア、コンテキスト メモリなどのツールと組み合わせることで、推論によりエージェントが複雑な環境を正確かつ効率的にナビゲートできるようにします。 この適応性により、AI エージェントは複雑なワークフローの自動化と最適化に欠かせないものとなっています。

AI エージェントは、特に単純なワークフローや実験用に、Python で直接記述できます。 より複雑なワークフローや本番環境に移行するときには、テレメトリ、ロギング、評価が重要になり、エージェント フレームワークが役に立ちます。 AI エージェント フレームワークは、AI エージェントの構築、デプロイ、管理のプロセスを簡素化するように設計された専門の開発プラットフォームあるいはライブラリです。これらのフレームワークは、エージェント システム作成におけるその背後にある複雑な作業の大半を抽象化し、開発者が実装の技術的な詳細ではなく、特定のアプリケーションとエージェントのアクションに集中できるようにします。

AI エージェント フレームワークを選択する際には、以下のような要因を考慮することが重要です。

• マルチエージェントの連携: プロジェクトにおいて複数のエージェントが連携して作業する必要があるか
• プロジェクトの複雑さ: フレームワークは、単純なタスクに適しているか、または複雑なワークフローに適しているか
• データ処理: フレームワークは、必要なデータの統合と取得をサポートしているか
• カスタム化のニーズ: エージェントの動作をカスタマイズするために、どの程度の柔軟性が必要か
• LLM の重点: フレームワークは、LLM との連帯を優先しているか

これらの要件に応じて、さまざまなユース ケースと複雑さのレベルに対応するさまざまなフレームワークがあります。

AI エージェントを実装する方法は、例えば Python、LangChain、Llama Stack を独自に用意するなど、数多くあります。

AI エージェントは、その複雑さ、意思決定プロセス、環境への適応性に基づいて分類できます。 以下は、AI エージェントの主な種類です。単純なシステムから高度にインテリジェントで適応性の高いフレームワークまであります。

AI エージェントと AI アシスタントは、その能力、自律性、処理できるタスクの複雑さにおいて大きく異なります。

AI アシスタントは、従来の AI チャットボットの進化形です。 AI アシスタントは、自然言語処理 (NLP) を使用し、テキストや音声によるユーザーのクエリを理解し、人間による直接の指示に基づいてタスクを実行します。 Apple の Siri、Amazon の Alexa、Google Assistant など、これらのシステムは、事前定義されたタスクの処理や特定のコマンドへの応答に優れています。 

AI エージェントは、アシスタントの機能を超えた、より高度な AI の形態です。 計画、推論、コンテキスト メモリを活用し、複雑でオープンエンド型のタスクに自律的に取り組みます。AI エージェントは、反復的なワークフローを実行し、幅広いツールセットを活用し、フィードバックと以前のやり取りに基づいて適応することができます。

AI エージェントの潜在的なユースケースは、ほぼ無限にあります。AI エージェントのデプロイは、コンテンツの生成や配信などの単純なユースケースから、エンタープライズ ソフトウェアやデータベース機能のオーケストレーションなどの複雑なユースケースまで、想像力と専門知識が重要になります。

タスク実行エージェントは、「API エージェント」または「実行エージェント」とも呼ばれ、事前定義された一連の実行関数を使用してユーザーが要求したタスクを実行できます。

例: 「最新製品のマーケティング用にソーシャル メディアへの投稿を書いてください。そしてセール中であること、色はグリーンで提供されることを必ず記載してください。」

特定のアプリケーション向けの AI エージェントは、人間がそのツールを効率的に使用できるようにするのに役立ちます。 例えば、AI Copilot は、ユーザーがアプリケーションのすべての機能を理解し、それらの機能の使用方法を自動化したり、そのツールを最適に活用する方法を提案するのに役立ちます。

例: エージェント群と OODA ループ戦略でデータ センターのパフォーマンスを最適化

データ分析は、データを抽出し、その意味を理解するように設計されたマルチエージェント システムによって実行できます。 これは「抽出して実行」戦略と考えることができます。つまり 1 組のエージェントが短期または長期メモリ、さらには PDF からデータを取得し、別の実行エージェントの 1 組が API を呼び出してデータ分析ツールをトリガーします。

例:「今年、会社のキャッシュ フローがプラスになった四半期はいくつありましたか?」

AI エージェントは 24 時間体制でサポートを提供し、テキストと音声の両方で自然言語クエリを理解し、顧客に代わって行動することで複雑な問題を解決できます。

例: コール センターのオペレーターまたはチャットボットは、CRM などの内部システムへの接続、顧客のリクエストが払い戻しの対象かどうかの確認、返品を開始するために必要なデータの入力など、ワークフローのタスクを自動化できます。

AI エージェントは、ソフトウェア開発者のコーディング アシスタントとして機能し、コードの提案、エラーの指摘、ワンクリックでの修正の提供、プル リクエストの要約の提供、コードの生成を支援します。

例: 現在最も広く使用されている AI エージェントの 1 つに、GitHub Copilot がありますが、これは開発者のアシスタントとして機能し、コードの生成と提案、ドキュメントの管理、エラーの修正を行います。

マルチエージェント システム、またはエージェントの「群」は、リアルタイムでデータを分析し、需要に基づいて在庫レベルを監視および調整することでサプライチェーンの最適化に役立ちます。さらに、市場変動を監視することで原材料の調達にも役立ちます。

例: 階層型エージェント システムは、サプライチェーンのさまざまな側面を監視するエージェントの階層を持ち、データに基づいて意思決定を行うオーケストレーション エージェントに報告します。

NVIDIA は、エージェント AI の大規模な開発とデプロイを容易にするツールとソフトウェアを提供しています。

1. NVIDIA AI Blueprint は、1 つ以上の AI エージェントを使用する AI アプリケーションを作成する開発者にとってのスタート地点になります。 NVIDIA AI Blueprint には、NVIDIA AI と NVIDIA Omniverse™ のライブラリ、SDK、マイクロサービスで構築されたサンプル アプリケーションが含まれ、カスタム AI ソリューションの基盤を提供します。 各 Blueprint には、ワークフローを構築するためのリファレンス コード、ツール、デプロイとカスタマイズ用ドキュメントおよび API 定義とマイクロサービスの相互運用性を概説するリファレンス アーキテクチャが含まれています。
2. 開発者は、NVIDIA API カタログ内の最新の AI モデルにアクセスして、独自のエージェント型 AI アプリケーションを構築し、デプロイすることができます。