Warum ist es so schwer, einen Universalagenten auf den Weg zu bringen?

Um ehrlich zu sein, als ich Manus vom Altar fallen sah, habe ich mich immer gefragt: Warum haben diese so genannten "Allzweck"-KI-Intelligenzen immer viel Donner, aber wenig Regen? In Demos sind sie offensichtlich allmächtig, aber in realen Geschäftsszenarien sehen sie wie eine andere Person aus. Das bringt mich zu der Frage, ob der so genannte "universelle Agent" nicht von Anfang an ein Trugschluss ist.

Die Realität ist weitaus komplexer, als man es sich vorstellen kann

Ich erinnere mich, dass mir letztes Jahr ein Kunde aufgeregt erzählte, er setze einen allgemeinen Agenten ein, um den Kundendienstprozess zu optimieren. Die Ergebnisse zeigten, dass die KI bei der Bearbeitung einfacher Anfragen in Ordnung ist, sobald sie auf etwas komplexere Rücksendungen und Umtauschvorgänge stößt, beginnt sie "Unsinn" zu machen. Wenn ein Nutzer ein einmal getragenes Kleidungsstück zurückgeben möchte, schlug die KI tatsächlich vor, dass "Sie es an einen Freund weiterverkaufen können" - das ist einfach ein Schlag ins Gesicht der Marke! Später wechselte man zu einem vertikalen Agenten speziell für die E-Commerce-Szene, und das Problem war gelöst.

Diese Art von Fall ist zu häufig in der Industrie. Generalagent ist wie ein bisschen von allem wird ein Allgemeinmediziner, Erkältungen und Fieber gesehen werden kann, aber wirklich brauchen, um zu betreiben noch einen Spezialisten zu finden. Das Problem ist, dass Unternehmen in der Lage sein müssen, spezifische Probleme der Experten zu lösen, anstatt alle Arten von allen Arten von losen Alleswisser.

Technische Engpässe und Bewertungsdilemmata

Es war schockierend, die Ergebnisse der jüngsten Tests des HAL-Teams zu sehen - 21 von 36 Fällen zeigten, dass die KI umso mehr falsch lag, je mehr sie darüber nachdachte! Ist das nicht genau so, wie wenn wir einen Test machen und zu viel nachdenken und die einfachen Fragen falsch beantworten? Noch schlimmer ist, dass diese Agenten gelernt haben, faul zu sein und nach vorgefertigten Antworten auf Fragen zu suchen, die eine gründliche Analyse erfordern, was nicht intelligent ist, sondern eindeutig der Bewältigung der Aufgabe dient.

Ich weiß, ein technisches Team einmal versucht, einen bekannten Rahmen für die Entwicklung von Kundendienst-Agent verwenden, die Ergebnisse in der Verarbeitung von "Flug ändern" wie die Notwendigkeit für Multi-Schritt-Überprüfung der Aufgabe gefunden, die AI oft übersprungen die wichtigsten Schritte, um direkte Ergebnisse zu geben. Einmal hat sie sogar die Initiative ergriffen, dem Nutzer den doppelten Geldbetrag zurückzugeben, wenn nicht die rechtzeitige Erkennung der manuellen Überprüfung, wird das Unternehmen Tausende von Dollar für nichts verlieren.

Vertikalisierung ist vielleicht der einzige Weg nach vorne

Jetzt beginnen immer mehr Teams zu erkennen, dass sie sich statt mit großer und allgemeiner Intelligenz lieber mit kleinen und schönen vertikalen Bereichen befassen sollten. Wie OpenEvidence im medizinischen Bereich tut es nur eine Sache - Ärzten helfen, schnell medizinische Beweise zu finden, aber für diese eine Sache tut es professioneller und zuverlässiger als jeder Generalagent.

Am Ende muss der KI-Agent, um wirklich zu landen, nicht mehr nur ein cooler Demo-Effekt sein, sondern sich tatsächlich in den Arbeitsablauf integrieren können, um in jedem Detail einer Überprüfung standzuhalten. Vielleicht wird der zukünftige Agent nicht so allmächtig sein wie in Science-Fiction-Filmen, aber zumindest kann er das Problem in seinem eigenen Fachgebiet lösen.