Ne agenttiteknolgiat, joita olen itse tutkinut, pohjautuvat aika puhtaasti LLM:n ja nimenomaan Transformer-pohjaiseen. Näin hyödynnetään tehtävän antoa tavallisella tekstillä sekä Transformerin jatkuvasti kehittyvää kykyä päätellä.
Näitä toisinaan kutsutaankin LLM agenteiksi.
Agentin oma toteutus saa LLM:ltä toimenpiteet ja toteuttaa ne. Sema4.ai:ssa noita toimenpiteitä/action voi Pythonilla lisätä.
DWF on testannut sema4.ai:n agentteja vuoden 2024 ja heidän Karli Kalpalan mukaan ne kykenevät suorittamaan tehtäviä, joita on vaikea määritellä RPA:lla ehtojen kautta.
DWF henkilöstö käsittää suurelta osin niiden liiketoiminta-alueiden liiketoimintaprosessiosaajia, joihin DWF panostaa. Suurin panostus lienee Terveydenhuoltoon. Tämän vuoksi työn tehostamista mietitään terveydenhuollon aitojen liiketoimintaprosessien kautta, ei teknologisen hypen.
RPA prosessien optimoinnit ovat kohdentuneet oikeisiin tuottavuutta tehostaviin tehtäviin. AI Agenttien tehtävä lienee vastaavalla tavalla tehostaa prosesseja, mutta se luo vain lisää mahdollisuuksia.
Tuossa Linkedin linkki Länsiuudenmaan talousjohtajan viestiin, joka koskee DWF:n kanssa sovittuja asiakasmaksupäätöksen esivalmistelun töitä ja siitä, mitä hyötyjä tämä tuo.
Viestiä on tykännyt oli 100 ihmistä, joista suuri osa on muista Suomen hyvinvointialueista joten jatkotöitä lienee tulossa, jos suunnitellut säästöt toteutuvat.
Eli oikein hoidettuna, AI Agentit tuovat vain lisää mahdollisuuksia RPA:n rinnalle
Edit Pohdintaan siitä, onko termi AI Agentit määritelty selkeästi niin Googlauksen perusteella on. Kannattaa hakea termiä “LLM Agents” niin tuo yhtäläinen määrittely löytyy