Kemajuan terkini dalam Large Language Model (LLMs) merenovasi pengembangan Artificial Intelligence Agent yang mumpuni dalam pemahaman bahasa alami. Hal ini menimbulkan minat yang signifikan dalam LLM powered autonomous agent systems yang didukung oleh LLM, atau yang sering disebut sebagai LLM Agent.
Menurut Insginia Ventures Partners, target market untuk Autonomous Artificial Intelligence Agent diperkirakan akan mengalami pertumbuhan tahunan sebesar 43% (dari 5 miliar USD pada tahun 2023, menjadi 29 miliar USD pada tahun 2028), yang dipicu oleh semakin meratanya penggunaan LLM. Dalam artikel ini, mari kita eksplorasi peluang baru apa sajakah yang telah dibuka LLM Agent dan melihat beberapa penerapan teknologi yang mungkin terjadi di masa depan.
*Kata kunci: LLM powered autonomous agent systems dan LLM Agents, merupakan dua konsep yang dapat dipertukarkan. Keduanya termasuk dalam konsep yang lebih luas yang kita sebut sebagai AI Agent (Artificial Intelligence Agent) yang merujuk pada sistem kecerdasan buatan yang dapat memahami lingkungan dan mengambil tindakan secara mandiri untuk mencapai satu tujuan tertentu.
Apa itu "LLM powered autonomous agent system"?
Untuk menjawab pertanyaan ini, kita bisa membayangkan bahwa LLM adalah otak yang memiliki kemampuan untuk mengaktifkan berbagai macam AI Agent atau instrumen teknologi , untuk secara otomatis menyelesaikan tugas yang beranekaragam.
Seperti yang dijelaskan oleh Lilian Weng dari Open AI, LLM powered autonomous agent system terdiri dari LLM yang berfungsi sebagai otak, dan tiga komponen penting lainnya untuk Perencanaan (Planning), Memori (Memory), dan Penggunaan Instrumen (Tool Use).
Perencanaan (Planning)
LLM Agent dapat meniru pola pikir manusia dan secara proaktif merencanakan eksekusi tugas. Selama perencanaan, LLM Agent dapat membagi tugas besar dan kompleks menjadi langkah-langkah yang lebih kecil dan dapat dikelola. Mereka juga mampu melakukan introspeksi diri dan belajar dari tindakan dan kesalahan sebelumnya, untuk mengoptimalkan langkah-langkah kedepannya dan meningkatkan hasil akhir.
Memori (Memory)
Memori mencakup baik short-term memory dari pembelajaran konteks maupun long-term memory dari pencarian dan pengambilan, memori membantu LLM agent untuk belajar antar konteks secara real-time dan mengingat informasi dalam jangka waktu yang lebih lama.
Penggunaan Instrumen (Tool Use)
Berdasarkan pengambilan keputusan yang dinamis, LLM Agent dapat dengan proaktif mengakses penyimpanan vektor eksternal atau API eksternal untuk mendapatkan informasi tambahan. Dengan menggunakan berbagai macam sarana seperti melalui hasil pencarian dari database vektor dan pencarian semantik, LLM agent dapat memberikan jawaban yang tepat berdasarkan hasil pencarian. Selain itu, hal ini mencegah masalah umum pada LLM seperti ketidakakuratan dan halusinasi.
Menggabungkan Kemampuan Percakapan dan Aksi
LLMs membawa inovasi baru melalui kemampuan Pemahaman Bahasa Alami atau Natural Language Understanding (NLU) yang membuat interaksi antara manusia dengan mesin menjadi nyata, bahkan dalam bahasa sehari-hari! Kita juga bisa berkomunikasi dengan mesin selayaknya kita dengan manusia pada umumnya.
Meski demikian, LLMs sendiri tidak dapat memenuhi berbagai kebutuhan dunia nyata. Kita perlu membangun sistem yang mampu mengumpulkan dan menerapkan pengetahuan untuk menyelesaikan masalah praktis dalam dunia nyata agar LLM dapat memaksimalkan potensinya. Disinilah LLM powered autonomous agent system berperan; tanpa adanya agen atau instrumen pendukung lainnya, LLM hanyalah sebuah mesin cerdas yang terisolasi dari dunia nyata.
Penerapan Praktis LLM Agents
Mengintegrasikan LLM ke dalam sistem agen mandiri akan membuka peluang yang lebih besar. Berikut adalah 2 contoh penerapan LLM:
1. Mengubah jadwal penerbangan pelanggan
Pada kasus ini, agen LLM harus memahami informasi yang dibutuhkan terlebih dahulu, seperti kebijakan perubahan maskapai penerbangan dan penerbangan alternatif yang tersedia (Planning). Kemudian, LLM dapat mengakses alat seperti dokumentasi API dan basis data penerbangan untuk mengumpulkan detail yang diperlukan (tool use).
2. Mentransfer panggilan pasien di rumah sakit
LLM Agent perlu memahami departemen apa yang diminta oleh pasien (short-term memory; in-context understanding), LLM Agent dapat memeriksa jam operasional, nomor telepon staff RS, dan informasi relevan lainnya (planning dan tool use). Ini memungkinkan koneksi secara dinamis antara pasien ke tujuan yang tepat dengan cepat. Misalnya, departemen yang tersedia selama jam operasional, atau dokter yang berjaga di luar jam kerja.
Melangkah ke Masa Depan: dari Software 2.0 ke Enterprise Software 2.0
Sebagai konsep yang diusulkan oleh mantan direktur divisi AI Tesla, Andrej Karpathy, Intelligent LLM Agent sedang mengambil loncatan besar menuju era yang dikenal sebagai “Software 2.0”. Pada Software 1.0, human engineer membuat program dan kode untuk menyelesaikan tugas. Program dan kode ini mirip dengan titik individu dengan beberapa perilaku yang diinginkan.
Disaat Software 2.0 merujuk kepada generasi baru perangkat lunak yang memanfaatkan algoritma machine learning dan Neural Network untuk membangun sistem yang mandiri dan cerdas, Software 2.0 juga dapat menganalisis data, mengidentifikasi pola, dan terus mengoptimalkan kode sendiri tanpa campur tangan manusia.
Dengan menerapkan konsep di atas ke dalam sistem software enterprise saat ini, kita dapat melihat bahwa kemampuan AI saat ini berfungsi sebagai alat pendukung untuk menjalankan tugas yang terisolasi. Kemampuan AI ini dapat mencakup algoritma rekomendasi, pemrosesan bahasa sehari hari atau Natural Language Processing (NLP), Text to Speech (TTS), Automatic Speech Recognition (ASR), dan lainnya.
Kami berekspektasi untuk memasuki era yang disebut sebagai “Enterprise Software 2.0” di masa depan. Di era ini, LLM Agent akan menjadi pusat komando inti dari seluruh sistem perangkat lunak perusahaan. Dalam sistem tersebut, LLM menjadi ahli industri dan pengambil keputusan dan dapat memahami pengetahuan wewenang perusahaan secara spesifik dan menggunakan berbagai instrumen teknologi secara dinamis untuk menyelesaikan tugas secara otomatis. Ekosistem ini juga dilengkapi dengan operasional dan komunikasi close-loop. AI Agent atau instrumen yang digunakan oleh LLMs dapat bervariasi, termasuk sistem umum kantor seperti CRM, ERP, OA, dan PMS, dll.
Di era tersebut, LLM Agent akan memiliki kemampuan untuk membantu dalam menyelesaikan masalah kompleks di berbagai industri, dan belajar mandiri dari pengalaman mereka sendiri. Kami berharap LLM Agent menjadi co-pilot yang serbaguna, mengelola alur kerja bersama karyawan dan membantu pelanggan. Sistem agen otonom yang ditenagai oleh LLM juga akan membuat aksesbilitas AI lebih demokratis yang memungkinkan siapapun untuk menjadi co-pilot dengan beberapa LLM Agent untuk mengelola tugas sebanyak mungkin dan meningkatkan produktivitas.
Walau masih banyak yang harus dilakukan, namun potensi disruptifnya masih sangat besar. Sistem agen otonom yang ditenagai oleh LLM telah menunjukkan dampak transformatif di lingkungan yang dinamis dan tidak terstruktur. Meskipun ada batasan, LLM akan dapat menghadapi masalah yang semakin kompleks karena kemajuan dalam algoritma pembelajaran mesin dan pola desain. Masa depan Artificial Intellegent (AI) tidak pernah lebih menjanjikan!
Sumber Referensi
Lilian Weng. (2023). LLM Powered Autonomous Agents. Diambil dari: https://lilianweng.github.io/posts/2023-06-23-agent/ Wechat official accout. (2023). AI Agents大爆发：软件2.0雏形初现，OpenAI的下一步. (The rise of AI Agents: first glimps of software 2.0 and what’s next for OpenAI). Diambil dari: https://mp.weixin.qq.com/s/Jb8HBbaKYXXxTSQOBsP5Wg Andrej Karpathy. (2017). Software 2.0. Diambil dari: https://karpathy.medium.com/software-2-0-a64152b37c35
