Wat is agentic AI en wat zijn mogelijke toepassingen hiervan op het gebied van onderwijs en leren en ontwikkelen?

Op de weblog van NVIDIA heeft Erik Pounds een informatieve bijdrage geschreven over ‘agentic AI’. Hij beschrijft daarin ook een aantal toepassingen. Ik voeg daar toepassingen op het gebied van onderwijs en ‘learning and development’ aan toe.

DALL-E: photo-realistic image of a digital factory with a digital assembly line for AI agents, supervised by three diverse human beings. AI-agents zijn overigens geen humanoid robots 😉

‘Agentic AI’ vormt volgens Pounds belangrijke ontwikkeling op het gebied van AI. Bij ‘agentic AI’ gaat het niet alleen om het verwerken van enkelvoudige interacties, zoals traditionele chatbots doen, maar om complexere, meerlagige vraagstukken die door een ‘AI-agent’ autonoom worden opgelost oplossen door middel van geavanceerde redeneertechnieken en iteratieve planning. Dit type AI heeft volgens Pounds veel potentie voor het verhogen van productiviteit en het verbeteren van bedrijfsprocessen in diverse sectoren, waaronder gezondheidszorg, klantenservice, contentcreatie en softwareontwikkeling.

In zijn bijdrage beschrijft Erik Pounds de werking van Agentic AI via een proces van vier stappen:

Perceptie. AI-systemen verzamelen en verwerken data vanuit diverse bronnen, zoals sensoren en databases. Deze fase helpt het systeem om relevante informatie uit de bronnen te identificeren en te interpreteren.
Redeneren. Een groot taalmodel fungeert als de ‘motor’ die taken begrijpt en oplossingen genereert, en coördineert ook gespecialiseerde modellen voor specifieke functies (zoals visuele verwerking of aanbevelingssystemen). Retrieval augmented generation (RAG) wordt gebruikt om toegang te krijgen tot specifieke data, waardoor de resultaten nauwkeurig en relevant blijven.
Handelen. ‘Agentic AI’ integreert met externe tools via API’s zodat de AI-agent taken snel en zelfstandig uit kan voeren. Om veiligheid en correctheid te waarborgen, zijn er ‘guardrails’ die de acties van de AI-agent inperken. Denk daarbij aan het automatisch verwerken van klantclaims tot een bepaald bedrag.
Leren. Door een feedbackloop, het zogenaamde ‘data vliegwiel’, leert de AI-agent continu van interacties. Op deze manier kan het systeem de modellen blijven verfijnen ten behoeve van betere beslissingen en efficiëntere bedrijfsvoering.

We volgens mij zijn nog een tijdje verwijderd van ‘agentic AI’. De nieuwe functionaliteit van Claude 3.5 om een computer te gebruiken, komt m.i. wel in de buurt:

‘Agentic AI’ benut organisatiegegevens volgens Pounds optimaal door middel van versnelde AI-query engines. Daarmee kan een AI-agent gegevens opslaan, ophalen en verwerken. Met RAG kan AI een breed scala aan databronnen benutten voor verbeterde resultaten. Naarmate AI-agenten meer data verzamelen, worden hun modellen steeds nauwkeuriger en effectiever dankzij de constante terugkoppeling van nieuwe inzichten.

Auteur Erik Pounds schrijft dat de toepassingen van ‘agentic AI’ groots en gevarieerd zijn (van routinetaken tot complexe bedrijfsprocessen). Voorbeelden zijn volgens hem:

Klantenservice. AI-agenten verhogen de efficiëntie op het gebied van klantenservice door zelfbedieningsmogelijkheden te verbeteren en repetitieve communicatie te automatiseren. Dit resulteert in kortere responstijden en hogere klanttevredenheid. Digitale AI-agenten, die lijken op mensen, worden steeds vaker ingezet om natuurgetrouwe interacties met merken te bieden.
Contentcreatie. Marketingteams profiteren van generatieve AI-agenten die snel gepersonaliseerde inhoud kunnen creëren. Dit bespaart volgens de auteur uren werk bij het ontwikkelen van content. Daardoor kunnen deze teams zich richten op strategie en innovatie.
Softwareontwikkeling. Op het gebied van IT helpt ‘agentic AI’ volgens Pounds om repetitieve coderingstaken te automatiseren. Hierdoor wordt de productiviteit van ontwikkelaars vergroot, en kunnen zij complexere uitdagingen aangaan.
Gezondheidszorg. ‘Agentic AI’ kan artsen helpen bij het analyseren van grote hoeveelheden medische data uit meerdere bronnen. Agentic AI-toepassingen distilleren vervolgens essentiële informatie. Dit komt de besluitvorming over medische interventies en behandelingen ten goede. De AI-toepassing kan administratieve taken overnemen, zoals het bijhouden van klinische notities. Bovendien kan de AI-toepassing patiëntenondersteuning geven met informatie over medicijngebruik, afspraken en herinneringen.

Mijn opmerkingen (en de relatie met onderwijs en L&D)

De krachtige combinatie van data-integratie uit diverse bronnen en geavanceerde autonoom handelende en zelflerende technieken, kan m.i. weleens tot de nodige innovaties op het gebied van verschillende organisatorische processen leiden. Autonome handelingen met verstrekkende gevolgen, zoals het niet toelaten van een student tot een opleiding, zijn niet toegestaan zonder dat een mens daar een oordeel over velt. Bovendien stelt privacywetgeving grenzen aan de data die je hiervoor zo maar mag gebruiken. Verder vraag ik me hierbij altijd af in hoeverre mensen bereid zijn voor dit soort toepassingen een applicatie te gebruiken.

Op het gebied van onderwijs en L&D kunnen agentic AI-toepassingen worden gebruikt voor gepersonaliseerde ondersteuning. Door het analyseren van gegevens zoals toetsresultaten, feedback, voortgang, veranderingen binnen beroepen en functies, en interessegebieden kunnen agentic AI-toepassingen individuele lerenden begeleiden met op maat gemaakte opdrachten en oefeningen. AI-agenten ondersteunen docenten ook bij tijdrovende taken, zoals het opstellen van toetsen, of het nakijken van opdrachten. Nu kun je een toepassing als Claude 3.5 Sonnet bijvoorbeeld gebruiken voor het ontwikkelen van toetsvragen met feedback. Een agentic AI-toepassing voert deze vragen en feedback ook direct in een toetsapplicatie in. Een ander voorbeeld is het geven van feedback en begeleiding door een AI-agent op basis van data uit verschillende systemen. De lerende zal hier wel eerst expliciet toestemming voor moeten geven.
Een AI-agent kan ook op basis van data uit meerdere bronnen aanbevelingen doen voor specifieke leeractiviteiten, zoals modules, microlearning aanbod, video’s of praktijkoefeningen.

Nota bene: merk op dat NVIDIA een grote speler is op het gebied van AI. Dit beïnvloedt vanzelfsprekend de toon van hun blogpost. Tegelijkertijd is de beschrijving van ‘agentic AI’ informatief. En het is een belangrijke trend, hoe je het wendt of keert.

Andere bronnen over generatieve AI

Mijn bronnen over (generatieve) artificiële intelligentie

Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.

This content is published under the Attribution 3.0 Unported license.

Geef een reactie