Agentic AI – Đỉnh cao mới của AI sau GenAI | Trần Quốc Huy - WecommitAI
TL;DR
Sự phát triển từ AI nền tảng đến GenAI và giờ là AI Tác nhân, được thúc đẩy bởi những đột phá kiến trúc như Transformer, cho phép các hệ thống AI không chỉ tạo nội dung mà còn suy luận, hành động và cộng tác, mang lại lợi thế kinh doanh đáng kể.
Key insights
Kiến trúc Transformer là nền tảng cho sự bùng nổ của AI hiện đại.
- Trước năm 2017, các thuật toán AI gặp khó khăn trong việc xử lý lượng dữ liệu khổng lồ và phức tạp do hạn chế về xử lý tuần tự.
- Bài báo 'Attention is All You Need' đã giới thiệu kiến trúc Transformer, cho phép xử lý song song và cơ chế chú ý để hiểu ngữ cảnh và mối quan hệ giữa các từ.
- Sự kết hợp giữa Transformer và GPU (như của NVIDIA) đã thúc đẩy mạnh mẽ sự phát triển của AI, đặc biệt là Generative AI (GenAI).
- Kiến trúc Transformer được coi là mô hình nền tảng, có thể ứng dụng rộng rãi trong nhiều lĩnh vực như văn bản, hình ảnh và âm thanh.
Generative AI (GenAI) có những hạn chế cần được khắc phục, dẫn đến sự ra đời của Agentic AI.
- Bản chất của GenAI là dự đoán từ tiếp theo dựa trên xác suất thống kê, không thực sự hiểu sâu sắc, dẫn đến hiện tượng 'ảo giác' (hallucination).
- GenAI có 'bộ nhớ ngữ cảnh' (context window) hạn chế, khiến nó dễ quên các phần trước đó của cuộc trò chuyện.
- Những hạn chế này làm cho GenAI chưa đủ tin cậy cho các ứng dụng kinh doanh quan trọng đòi hỏi độ chính xác và nhất quán cao.
- Các kỹ thuật như Retrieval-Augmented Generation (RAG) đã được phát triển để giải quyết vấn đề này bằng cách tích hợp dữ liệu bên ngoài.
Agentic AI đại diện cho bước tiến hóa tiếp theo, cho phép AI hoạt động và tương tác một cách tự chủ.
- Agentic AI không chỉ tạo ra nội dung mà còn có khả năng thực hiện hành động, suy luận và tương tác với các công cụ, dữ liệu.
- Các khái niệm như 'Chain of Thought' (CoT) và 'ReAct' (Reasoning and Acting) giúp AI chia nhỏ vấn đề phức tạp, lập kế hoạch và thực thi hành động.
- Dự án 'SmallVille' đã minh họa hệ thống đa tác tử (multi-agent) nơi các AI agent với vai trò riêng biệt có thể tương tác và mô phỏng hành vi xã hội.
- Agentic AI có thể tích hợp với các hệ thống hiện có (cơ sở dữ liệu, API) và hoạt động trong thời gian dài, nâng cao đáng kể năng suất và khả năng.
Việc áp dụng Agentic AI mang lại lợi thế cạnh tranh đáng kể cho doanh nghiệp.
- Khác với việc sử dụng các công cụ GenAI sẵn có, việc thiết kế hệ thống Agentic AI tùy chỉnh cho phép doanh nghiệp tận dụng kiến thức, quy trình và dữ liệu độc đáo của mình.
- Agentic AI có thể tự động hóa các tác vụ phức tạp trước đây đòi hỏi chuyên môn cao của con người, như tối ưu hóa cơ sở dữ liệu hay phân tích hiệu năng.
- Khả năng tạo ra các hệ thống đa tác tử (multi-agent) có khả năng cộng tác và thực thi các quy trình làm việc phức tạp có thể cách mạng hóa hoạt động kinh doanh.
- Việc sớm áp dụng Agentic AI giúp doanh nghiệp đạt được những lợi thế vượt trội về năng suất, đổi mới và khả năng cạnh tranh trên thị trường.
Sự phát triển của GenAI và RAG là bước đệm quan trọng cho Agentic AI.
- GenAI, với khả năng tạo sinh nội dung, đã thu hút hàng trăm triệu người dùng nhưng bộc lộ hạn chế về 'ảo giác' và 'trí nhớ ngắn hạn'.
- Retrieval-Augmented Generation (RAG) giải quyết vấn đề thiếu kiến thức chuyên biệt bằng cách cho phép AI truy cập và sử dụng dữ liệu bên ngoài, tăng độ chính xác.
- Tuy nhiên, GenAI và RAG vẫn chỉ dừng lại ở việc tạo ra hoặc truy xuất thông tin, chưa thể thực hiện hành động.
- Agentic AI ra đời để lấp đầy khoảng trống này, cho phép AI không chỉ hiểu và truy xuất thông tin mà còn có thể suy luận, lập kế hoạch và thực thi hành động dựa trên thông tin đó.
Agentic AI cho phép AI thực hiện các tác vụ phức tạp thông qua suy luận và hành động kết hợp.
- Khái niệm 'Chain of Thought' (CoT) và 'ReAct' (Reasoning and Acting) cho phép AI chia nhỏ vấn đề, suy nghĩ từng bước và thực hiện hành động tương ứng.
- Dự án 'SmallVille' của Stanford đã chứng minh khả năng của các agent AI tương tác với nhau trong một môi trường ảo, mô phỏng hành vi xã hội phức tạp.
- Các agent AI có thể được trang bị khả năng truy cập cơ sở dữ liệu, gọi API, tương tác với các công cụ khác và thực hiện các quy trình làm việc dài hạn.
- Việc xây dựng đội ngũ agent chuyên biệt, có leader và các agent phụ trách từng nhiệm vụ cụ thể, cho phép tự động hóa và nhân bản hóa năng lực chuyên môn của con người.
Key moments
- 00:01:16Sự bùng nổ của AI được cho là nhờ sự ra đời của kiến trúc Transformer vào năm 2017, giải quyết vấn đề xử lý dữ liệu lớn, phi cấu trúc bằng cách cho phép xử lý song song và hiểu ngữ cảnh, không giống như các phương pháp tuần tự trước đó.
- 00:08:58AI Tạo sinh (GenAI), mặc dù mạnh mẽ, có những hạn chế như 'ảo giác' và ngữ cảnh bộ nhớ ngắn, khiến nó không đủ cho nhiều ứng dụng thực tế. Các kỹ thuật như RAG đã được phát triển để giảm thiểu các vấn đề này.
- 00:20:53AI Tác nhân đại diện cho bước tiếp theo, cho phép AI hành động tự chủ bằng cách kết hợp suy luận (như Chuỗi suy nghĩ) với hành động (như ReAct), cho phép chúng tương tác với các công cụ và dữ liệu.
- 00:25:10Dự án 'SmallVille' đã chứng minh tiềm năng của các hệ thống đa tác nhân, nơi các tác nhân AI với vai trò riêng biệt có thể tương tác, học hỏi và mô phỏng các hành vi xã hội phức tạp mà không cần lập trình rõ ràng.
- 00:29:46Một ứng dụng thực tế của AI Tác nhân được thể hiện trong việc tối ưu hóa các dự án cơ sở dữ liệu, nơi một nhóm các tác nhân chuyên biệt, do một điều phối viên dẫn đầu, tự động hóa việc phân tích và ra quyết định phức tạp, tăng đáng kể hiệu quả và khả năng mở rộng.
- 00:34:35Chuyển đổi từ việc là người dùng AI sang thiết kế và triển khai các hệ thống AI Tác nhân tùy chỉnh mang lại lợi thế cạnh tranh đáng kể bằng cách tận dụng kiến thức và quy trình kinh doanh độc đáo.