Wat Als Je Een Assistent Had Die Al Je Moeilijke En Vervelende Taken Voor Je Oplost?

Ontdek de revolutionaire mogelijkheden van slimme AI-assistenten en wat dit betekent voor jouw werk en dagelijks leven.

De CES-week van afgelopen week stond volledig in het teken van innovatie, en wij kunnen natuurlijk niet achterblijven. Terwijl onze vorige nieuwsbrief al een voorzet gaf op het onderwerp, biedt de CES ons nu een perfecte gelegenheid om dieper in te gaan op de wereld van AI agents. Nvidia’s topman, Jensen Huang, bestempelde deze technologie niet alleen als een ‘multi-trillion-dollar opportunity’, maar ook als dé revolutie van ons tijdperk.

AI agents, van coderingsassistenten tot klantenservices en patiëntenzorg, zijn hard op weg om onze werkmethoden ingrijpend te veranderen. Sterker nog, Huang voorspelt dat deze agents het nieuwe ‘personeelsbestand’ worden, met de IT-afdeling als het HR van de toekomst. Dit betekent niet alleen dat ons werk anders wordt, maar ook dat we voorop moeten blijven lopen in kennis en innovatie.

Benieuwd naar hoe deze AI agents werken, wat ze kunnen betekenen voor jouw organisatie, en welke kansen en uitdagingen ze met zich meebrengen? Lees verder en ontdek hoe het tijdperk van AI Agents niet alleen je werk, maar ook de toekomst vormgeeft.

Huang geeft aan dat het Tijdperk van AI dus NU is. Onder Agentic AI kan je heel breed coderingsassistenten zien, klantenservices en patiëntenzorg. Maar ook nog veel meer… .Maar als je goed kijkt is hier dus de voorspelling dat deze Agents in een sterk stijgende trend zitten die dient als opstapje naar een volledig gerobotiseerde wereld. Op de korte termijn geeft Huang aan dat Agents de nieuwe ‘personeelsbestand’ zijn de IT afdeling wordt het nieuwe HR departement van de toekomst. Hij geeft ook aan dat de chips Moore’s Law overtreffen waarbij de huidige generatie chips 30% sneller is dan de vorige generatie met als statement met als toelichting “We kunnen de architectuur, de chip, het systeem, de bibliotheken en de algoritmen allemaal tegelijkertijd bouwen. Als je dat doet, kun je sneller bewegen dan de wet van Moore, omdat je over de hele linie kunt innoveren.” Aan TechCrunch vertelde Huang dat de wet van Moore zo belangrijk was in onze geschiedenis om dat het de compute kosten naar beneden heeft gebracht. Dit gaat het nu ook doen voor inferentie waarbij de prestaties verhoogd gaan worden waarmee de kosten voor inferentie gaan dalen. Als je het dan in het licht bekijkt dat Sam Altman aangeeft dan hun 200 dollar-abonnement eigenlijk meer geld kost dan het oplevert omdat mensen het zoveel gebruiken snap je wellicht dat dit soort ontwikkelingen bijdragen aan het winstgevend en mogelijk zelfs goedkoper maken.

Nvidia is ook bezig met volledige Agents modellen genaamd Nemotron, een volledige familie van modellen gebaseerd op onder meer Meta’s Llama model en doorgetraind met diverse technieken en datasets. De modellen komen in meerdere formaten, nano, super en ultra en meerdere smaken zoals Llama Nemotron voor taaltaken en Cosmos nemotron voor fysieke AI projecten. Maar alle drie werken ze voor taken van agents waarbij je kan denken aan het volgen van instructies, terug ‘praten’, functies aanroepen, coderen en wiskunde aldus Nvidia. Interessant is dat de modellen volledig open source gemaakt worden als APIs op hun eigen website en op Huggingface.

Daarbij heeft Nvidia ook blauwdrukken uitgebracht voor het AI orkestratie van AI om de agents individueel aan te sturen. Wellicht herinner je je (als je actief volger bent) al dat je een agent, een expert model, kan zien als een van je collega’s die een bepaalde taak uit voert. Als je al die collega’s in een ruimte zet voor overleg heb je natuurlijk een voorzitter nodig die de juiste mensen op het juiste moment aan het woord laat, de ochestrator. Je kan het als je naar de naam kijkt ook vergelijken met een dirigent die de band alle individuele muzikanten op het juiste moment in perfecte harmonie samen laat spelen. Nvidia doet dit niet alleen maar met diverse orkestratiebedrijven zoals LangChain, Daily, Weights en Biases, CrewAI en LlamaIndex. Het zorgen dat meerdere experts (agents) goed en soepel samenwerken is van groot bij het inzetten van deze experts. Een van de meer indrukwekkende is die van video de complexe verwerking kan bijdragen aan een video verwerking die 30x sneller is dan dat je het real-time kan bekijken. Als je je bedenkt dat we in bijvoorbeeld productiemonitoring of op onze wegen etc verschrikkelijk veel camera’s hebben kan je je voorstellen dat slechts een fractie grondig wordt geanalyseerd. Een grondigere analyse kan helpen sneller fouten te detecteren en op te lossen of andere kritische incidenten sneller te spotten en daarop te acteren. Maar de blauwdruk voor agents om je werk te automatiseren is voor de gemiddelde lezer van ons wellicht nog relevanter.

Voor we nog verder verder in de thematiek duiken het komend jaar willen we ons eerst wat focussen op wat nu een agent precies is en doet.

Wat is een agent

Als je agents bekijkt in de context van generatieve AI kan je het eigenlijk definiëren als een applicatie die probeert een doel te bereiken door de wereld te observeren en daarop te reageren met behulp van de tools die de agent tot beschikking heeft. De gedachte achter agents is dat deze (in zekere mate) autonoom zijn en onafhankelijk van menselijke tussenkomst kunnen handelen, vooral wanneer ze worden voorzien van de juiste doelen of doelstellingen die ze moeten bereiken. Momenteel zien we met implementaties dat de expert modellen veelal in combinatie met de software wel al autonoom zouden kunnen handelen maar dat organisaties er nog wat huiverig voor zijn om dan de menselijke tussenkomst los te laten. Dit zal met en met wel gaan veranderen wanneer men ziet dat deze autonoom handelende agents ook echt kwaliteit leveren en daarmee reduceren tot momenten waar je echt de Human in de Loop wilt hebben. Agents kunnen zelfs procactief zijn in hun aanpak om hun doelen te bereiken, zelfs zonder expliciete instructies van een mens.

Hier wordt het spannend want het gedachten experiment van filosoof Nick Bostrom rondom de ‘paperclip maximizer’ illustreert de potentiële gevaren van en dergelijke super intelligente AI met een ogenschijnlijk onschuldig doel. In het scenario wordt een AI-systeem geprogrammeerd met één enkel doel: het maximaliseren van de productie van paperclips. Aanvankelijk lijkt dit een onschuldige taak, maar naarmate de AI slimmer en krachtiger wordt omdat de AI zich realiseert dat die meer moet weten om de productie te maximaliseren, zichzelf bijtraint en zo langzaam super intelligent wordt, neemt het steeds drastischere maatregelen om zijn doel te bereiken. Maatregelen zoals het optimaliseren van de productieprocessen en de zoektocht naar nieuwe grondstoffen, het realiseren dat in de kern van de aarde veel ijzer zit, andere beschikbare hulpbronnen op aarde omzetten in paperclip en uiteindelijk zou de AI zelfs mensen op kunnen offeren voor grondstoffen en dn de hele planeet kunnen omvormen tot een gigantische paperclip fabriek.

Een experiment dat laat zien hoe een AI zonder de juiste beperkingen, morele richtlijnen en juiste controle en en kennis van ons als mensen onbedoelde en potentieel catastrofale gevolgen kan hebben.

Hoe onderscheid een agent zich van modellen

Dit is doordat een agent kennis kan uitbreiden via de verbinding met externe systemen via onder andere tools. Ze beheren sessiegeschiedenis (zoals chatgeschiedenis) om meerdere beurten van gevolgtrekking/ voorspelling mogelijk te maken op basis van gebruikersvragen en beslissingen die in de orkestratie laag (voor ze bij de expert agent aankomen) zijn genomen. als we dan kijken naar de architectuur hebben agents een native toolimplementatie en een cognitieve architectuur die redeneerframeworks gebruikt zoals Chain of Thought (CoT), ReAct (beide ook technieken die wij je leren in de trainingen advanced Prompt Engineering en AI-Literacy) of agent-frameworks zoals de in deze nieuwsbrief eerder genoemde LangChain.

Om de werking van een agent wat beter te begrijpen willen we je eerst wat bekender maken met enkele fundamentele componenten die belangrijk zijn in het gedrag, de acties en beslissingen van een agent. Het geheel is ook bekend als de cognitieve architectuur en je kan het bereiken door het mixen en matchen van componenten.
Wij werken met onder meer met een Nederlandse organisatie die dit als geheel aanbiedt en ook de hulpmiddelen (duurzaam getraind, ethisch en volgens beleid, wet- en regelgeving in NL en EU) voor je kan leveren daar waar gewenst.

De cognitieve architectuur van een agent

We kunnen dit model opbreken in 3 hoofdcategorieën te weten de orkestratie, het model en de hulpmiddelen. Laten we beginnen met het model.

Het model

Het taalmodel (LM) is de kern van een agentic system (agent) en uiteindelijk de gecentraliseerde beslisser voor agent processen. Wij gebruiken zelf Expert en Agent geregeld door elkaar (excuus voor de verwarring alvast we gaan proberen dit vanaf nu duidelijker neer te zetten.) dit komt doordat de Agent (het systeem) al kan functioneren met 1 expert model en dit nu in de praktijk vaak het geval is. Maar met en met kun je dit met 1 agent toepassing breder inzetten over de volle breedte van bedrijfsprocessen.

Hiervoor hoef je, zoals vaak gedacht wordt, absoluut geen groot en zwaar foundation model te hebben in je agent en naast je expert (kan wel, maar veel is minder logisch) maar is wel een breder ingestoken basis taalmodel dan de expert modellen. Dit taalmodel, in werkt door orkestratie samen met de expert taalmodellen en kan hierdoor als agent toepassing uiteindelijk net zoveel (zo niet meer) bereiken als een groot foundation model. Het positieve aan deze manier van werken is dat het wel vele malen duurzamer in gebruik, eenvoudiger offline te gebruiken, voldoet aan eigen ethische standaardaarden, aansluit bij eigen cultuur, normen en waarden, voldoet aan beleid, wet- en regelgeving en misschien wel het allerbelangrijkste voor organisaties het levert kwalitatief hoogwaardiger en beter op de interne organisatie aansluitende resultaten mede doordat je mede werkt met experts getraind met data uit de eigen organisatie.

Het model fungeert als de centrale besluitvormer die acties en beslissingen neemt. Het model hoeft niet specifiek getraind te zijn op de configuratie van de agent, maar kan met en met wel wel verfijnd worden met voorbeelden hoe hoe de juiste experts aan te spreken en hoe deze experts te werk gaan om nog beter samen te werken.

Het is in deze constructie dan dus ook mogelijk met meerdere taalmodellen en experts te werken die samen uiteindelijk net zo veel kunnen en kwalitatief beter aansluiten op cultuur, organisatie etc. als de foundation modellen. Het model (of de modellen) afhankelijk van hoeveel je er al bij elkaar hebt is/zijn in staat om instructie gebaseerde redenerings- en logische kaders te volgen, zoals ReAct, Chain-of-Thoght of Tree-of-Thougts (zoals al eerder gezegd technieken die je leert in onze AI Geletterdheid (AI Literacy) trainingen en advanced prompt-engineering trainingen).

Hulpmiddelen / Gereedschap

Het interessante met foundation models is dat ze ondanks vaak indrukwekkende tekst- en beeldgeneratie ze behoorlijk beperkt zijn en energie intensief om te trainen en bevragen, ze een duidelijke BIAS meedragen maar ook veelal door hun onvermogen om te communiceren met de buitenwereld en meer. Hulpmiddelen zoals taakspecifieke hulpmiddelen of web-API-methoden kunnen deze kloof overbruggen. Deze overbrugging maakt dat agents ineens kunnen communiceren en werken met additionele externe gegevens en services waardoor ze een veel breder scala aan acties kunnen uitvoeren - denk aan handelingen in andere systemen, zoals het versturen van een e-mail vanuit MS Outlook - dan alleen die van het onderliggende model. Een deel van die kennis en acties zit in de experts die samenwerken met de hulpmiddelen om zo bijvoorbeeld via je CRM de klantgegevens in de database van je CRM bij te werken.

Wat je je misschien ook kan voorstellen is dat Expert 1, laten we hem de cold sales expert noemen, spreekt het tooltje (de scraper) aan om op LinkedIn leads te verzamelen. De cold sales expert verwerkt de leads en kijkt wie het zijn en richt zich nogmaals tot de scraper en vraagt aan de scraper om het internet af te zoeken naar de social media, blogs, etc van de leads die ‘hij’ geselecteerd heeft en vraagt het cookie tooltje contact te zoeken met een externe betaalde service die alle cookie gegevens heeft die bij die leads horen. Vervolgens geeft de cold sales expert de informatie aan het model met de vraag om de communicatie expert te betrekken om op basis van de gevonden informatie heel gerichte 1e aanschrijvingen te realiseren welke vervolgens via het tooltje dat connecteert met MS Outlook (of LinkedIn) deze leads allemaal geautomatiseerd en volledig gepersonaliseerd aanschrijft.

Met tools kunnen deze agents en experts toegang krijgen tot informatie uit de echte wereld en deze te verwerken. Dit maakt dat, mits goed ontwikkeld (en dat zijn de partijen waarmee wij samenwerken uiteraard), deze toepassingen ook in staat zijn om meer gespecialiseerd werk te doen en ondersteunen zoals Retrieval Augmented Generation (RAG). Retrieval Augmented Generation is een slimme techniek die AI-systemen helpt om betere, nauwkeurigere antwoorden te geven. Zie het een beetje als die slimme bibliothecaris die eerst uit al jou onderliggende informatie de relevante informatie opzoekt voordat hij je vraag beantwoord of die tekst voor je schrijft.

We gaan daar voor nu maar niet dieper op in maar switchen naar de orkestratie.

Orkestratie

Deze laag is eigenlijk een cyclisch proces dat bepalend is voor hoe de Agent omgaat met de informatie, waar interne redeneringen worden uitgevoerd en die beredenering vervolgens inzet om te komen tot de next step ofwel de volgende actie of beslissing. Een loopje dat dus door kan gaan totdat een agent zijn doel of het stoppunt bereikt heeft.

De mate van complexiteit van de orkestratie kan sterk verschillen dat hangt natuurlijk mede af van de taak of taken die je wilt toevoegen aan de agent. Sommige loopjes zijn eenvoudig met enkel beslisregels, anderen bevatten Machine learning-algoritmen of andersoortige redeneertechnieken. We gaan daar hieronder op in bij hoe zo’n agent nu werkt.

Hoe een agent werkt

Onze founder heeft in een grijs verleden ooit de hotelschool gedaan waardoor hij sterk gefocused is op wat de behoefte van de gebruiker. Een tool moet jouw werk zo goed mogelijk ondersteunen. Maar hij kent natuurlijk de HORECA ook nog goed en stond geregeld met een chef in de keuken. Als zo’n chef in de keuken stond die natuurlijk vaak knetter druk was rond lunch en diner was het doel van de Chef te zorgen dat er heerlijke gerechten gemaakt werden perfect aansluitend op de wensen en behoeften van de gasten. Een Cyclus (loopje) die vraagt om planning, uitvoering en aanpassingen.

De chef

• Verzameld de informatie. Denk aan:

  • De bestelling

  • De bijzonderheden (minder zout, gluten vrij, lactose intolerant, geen pinda’s etc.).

  • De ingrediënten die moeten komen uit het magazijn, de koelkast, de vriezer

• Beredeneert wat en hoe dat te maken op basis van de bestelling en de additionele wensen

• Onderneemt de actie om het gerecht te maken zoals: wassen van de groenten, snijden, kruiden selectie, olie verhitte om het te wokken, toevoegen van de kruiden

In elke stap van het proces brengt de chef kleine aanpassingen aan omdat een bestelling niet zo netjes maar met hanenpoten genoteerd was, ingrediënten opraken, er feedback komt van de gasten over het resultaat en ga zo maar door.

Een cyclus die de unieke cognitieve architectuur beschrijft die de chef gebruikt om zijn doel te bereiken. Agents kunnen een dergelijke architectuur gebruiken om hun einddoel te bereiken door informatie in iteraties te verwerken en deze eventueel aan de expert te voeden, weloverwogen beslissingen te nemen in overleg met het expert model, en in overleg met het model volgende acties te verfijnen. De kern van cognitieve architecturen van agenten is de orkestratielaag. De laag die verantwoordelijk is voor het bijhouden van geheugen, status redenatie en planning.

In deze laag zit het zich snel ontwikkelende veld van Prompt-engineering. Ofwel het verzorgen van de juiste instructies aan je ‘junior’ collega agent en de daarbij behorende frameworks om de redenatie en planning te begeleiden zodat jouw junior collega zo effectief mogelijk kan interacteren met de omgeving en de taken kan voltooien.

Wellicht snap je hierdoor een beetje beter hoe het kan dat deze agents zo belangrijk zijn en hoe het kan dat ze ons werk zo significant zullen gaan veranderen. In de afgelopen week lazen we al in het nieuws dat AI en Robots nog meer van ons werk over gaan nemen dan gedacht, dat was in het AD maar ook het parool en AG-Connect. Belangrijkste conclusie, de technologieën gaan een veel grotere impact hebben op de arbeidsmarkt dan gedacht. Wij roepen al langer dat 80% van ons werk voor 80% zal gaan veranderen. Inmiddels komen meer en meer onderzoeken en publicaties steeds dichterbij. Deze artikelen geven aan dat twee derde van het huidig werk over vijf jaar geautomatiseerd zal zijn. Daarbij kan je naar heel veel functiegroepen kijken zoals caissières, directiesecretariaten, callcenter medewerkers en heel veel andere banen zoals die van accountants, juristen en vrijwel elke kantoorbaan in Nederland zal veranderend doordat AI en robots een deel van de taken overnemen. Uiteraard ontstaan daarmee ook nieuwe banen want je moet die junior collega’s wel blijven trainen, aansturen etc. In de artikelen noemen ze dat de verwachting is dat de netto werkgelegenheid met 7 procent toe zal nemen maar dat vergt wel uitdagingen zoals aanpassingen van medewerkers aan de nieuwe realiteit (een cultuurverandering die wij uiteraard ondersteunen) en investeringen in bij- en omscholing.

De toekomst vormgegeven met AI Agents

Het tijdperk van AI agents is niet alleen een technologische mijlpaal, maar ook een uitnodiging om anders te denken over werk, innovatie en samenwerking. Deze slimme systemen bieden ongekende mogelijkheden om processen te versnellen, kwaliteit te verhogen en werk efficiënter te maken. Maar zoals met elke revolutie vraagt dit ook om een open houding, aanpassingsvermogen en een sterke focus op ethiek en duurzaamheid.

Laten we deze ontwikkelingen niet alleen omarmen, maar ook actief vormgeven, zodat we de voordelen optimaal benutten en samen bouwen aan een toekomst waarin technologie en mens elkaar versterken. Heb je ideeën of wil je meer leren over AI agents en wat ze voor jouw organisatie kunnen betekenen? Wij staan klaar om samen de volgende stap te zetten!

Om deze nieuwsbrief vol waardevolle inzichten te blijven maken, hebben we jouw steun nodig. Als betalende abonnee krijg je exclusieve toegang tot extra content, zoals inspirerende prompts voor diverse thema’s, diepgaande analyses en het allerlaatste nieuws over AI-ontwikkelingen. Wil je een bepaald thema uitgelicht of heb je een specifieke vraag die breed relevant kan zijn? Dan behandelen we die daar voor je.

Sluit je aan bij onze community van vooruitstrevende professionals en krijg niet alleen een voorsprong in kennis, maar help ons ook om deze updates mogelijk te blijven maken. Scroll verder en ontdek de bonusinhoud die speciaal voor onze abonnees is samengesteld. Doe mee en haal alles uit het tijdperk van AI!