W. Szabó Péter előadásának kiindulópontja az a sokszor ismételt nyugtatgatás, hogy „az AI nem veszi el a munkánkat”. A friss számok azonban azt mutatják, hogy ez a hatás nagyon is valós. Idén novemberig nagyjából 160 ezer embert bocsátottak el kifejezetten AI-ra hivatkozva, 2024-ben 238 ezret, 2023-ban pedig még ennél is többet, mintegy 430 ezret. Ehhez az is hozzájárult, hogy a cégek abban az évben számolták fel a fejlesztői tartalékállományt, ahol „a programozók ültek és várták a jobb napokat” – a menedzsment azonban egy ponton úgy döntött, ezek a napok nem fognak eljönni.
A munkaerő-igény hosszabb távú zuhanását illusztrálja az Amazon állítólagos automatizációs stratégiája is. A hírek szerint a vállalat a következő évtizedben a munkaerő mintegy hetvenöt százalékának kiváltására készül az automatizációval, ami azt jelenti, hogy 2033-ig nagyjából hatszázezer embert nem kell felvennie a vállalatnak (az Amazon egyébként a The New York Timesnak tagadta, hogy ez hivatalos stratégia lenne, pusztán egy belső használatra szánt ötletcsomagként jellemezték – a szerk.). A fejlesztői munkaerőnél a változás már most kézzelfogható. Amit tizenöt éve egy tíz-húsz fős csapat csinált, azt ma egyetlen jó fejlesztő és néhány erős AI-eszköz végre tudja hajtani. A kérdés így sokkal élesebb: ha egy ember elég, mi lesz a maradék tizenkilenc sorsa? – fejtegette előadásában W. Szabó.
Az előadó szerint eljött az autonóm ügynökök kora, és ez ipartörténeti léptékű átalakulást indít el. Ahogy az ipari forradalom idején a parasztokból ipari munkásokat kellett „csinálni”, most a fehérgalléros munkák egy része alakul át olyan folyamatokká, amelyeket autonóm rendszerek végeznek. W. Szabó nem kívülről kommentálja ezt, hanem több mint egy évtized kísérletező tapasztalatával beszél.
A gépi tanulással végzett próbálkozásairól vezetett számlálója ma már 1411 kísérletnél tart, ezek nagy része teljes kudarc volt.
Kevés kerül át a gyakorlatba, de amelyik igen, például az általa fejlesztett, hamar népszerűvé Tengr.ai, több százezer emberhez jutott el.
Tengr.ai
A mély neurális hálókról kijelentette, hogy bármit is ígérnek róluk, 100 százalékos pontosságot soha nem fognak adni. Matematikai okai vannak annak, hogy egy önmagában álló neurális háló mindig hajlamos hibázni, legfeljebb egyre közelebb kerülhet a kívánt pontossághoz. Az elmúlt két évben sok megrendelő azzal az elvárással kereste meg, hogy erőltessék rá a modellekre a PPP-t, vagyis működjenek „pontosan, prompt nélkül, pillanatok alatt”. Ezt azonban egy nagy nyelvi modell önmagában nem tudja, ehhez több különböző modellt, ügynököt kell összehangoltan működtetni.
Az első esettanulmánya egy romániai közbeszerzési platform fejlesztését írta le. A rendszer célja, hogy nagy összegű, ismétlődő megrendeléseket – például tisztítószereket – centralizáltan lehessen beszerezni a közintézmények számára. A háttérben katalóguskezelés, igények jóváhagyása, szerződésgenerálás, megrendeléskezelés, entitás- és beszállítókezelés zajlik, ami hagyományosan óriási papírmunkát és manuális adminisztrációt igényel. Romániában a jelenlegi politikai szlogen a karcsúsítás, azaz az állami és önkormányzati szektor minél kevesebbet költsön és csökkentse a létszámot, meg kellett tehát oldani, hogy az AI megkönnyítse a munkát. A klasszikus chatbotok erre alkalmatlanok, ráadásul a megrendelő kikötötte, hogy az egész rendszer a közintézmény saját szerverein fusson, az adatok ne hagyják el az Európai Uniót, és ne legyenek kiszolgáltatva egy amerikai startupnak, miközben a GDPR-előírásokat is be kell tartani. A megoldást autonóm AI-ügynökök adták, amelyek a teljes folyamatot a házon belüli infrastruktúrán futtatják végig.
A második példája a több országban is jelen lévő Clear Service nevű takarítócég, amely főként irodaházakat, szállodákat takarít. A legfőbb feladat annak megszervezése, hogy ki melyik hotelbe menjen, melyik szobát mikor takarítsa, hogyan kommunikáljanak a munkatársakkal és a szállodákkal, ezt korábban ügyintézők rakosgatták össze. Ezt is sikerült AI-ügynökökkel megoldani, de W. Szabó egy fura jelenségre hívta fel a figyelmet:
a múltban arról volt szó, hogy a robot takarít, és az ember mondja meg, hogy hol tegye ezt, az AI azonban mégis a szervező munkát „vette el”, és továbbra is emberek takarítanak.
Ezek az alkalmazások már nem egyszerű prediktív modellek, amelyek például csak azt becsülik meg, hány szoba lesz szabad egy szállodában. Cselekvő AI-megoldásokról van szó, amelyek autonóm módon hajtanak végre feladatokat. A működésük akkor lesz igazán erős, ha rajban, több ügynök együtt dolgozik. A háttérben egy úgynevezett orchestrator áll, egy LangChain-alapú eszköz, amely összhangba hozza az ügynökök döntéseit. Ötfős rajokat használnak. Ha ötből négy ügynök ugyanarra a válaszra jut, az nagy valószínűséggel helyes, így W. Szabó szerint az emberekkel ellentétben az AI-ügynökök demokratikusan működnek. A LangGraph segítségével stateful workflow-kat építenek, vagyis a rendszer az állapotot is viszi magával lépésről lépésre. Kód helyett munkafolyamatokat írnak le, hogy mit kell csinálni, az ügynök pedig elvégzi. A felhasználó így kicsit hányaveti főnökké válik: ott a feladat, csináld meg. A lényeg már nem a promptolás, sőt a prompt sok esetben háttérbe szorul.
Az ilyen rendszerek azonban nem maguktól lesznek jók. Tesztelni kell őket, monitorozni kell a működésüket, és folyamatosan finomhangolni kell. Ez egy fejlődési ciklus, amelynek során az ügynök egyre jobban tanulja a konkrét feladatot és a kontextust. Az üzleti érték ott keletkezik, ahol a döntéshozatalt lehet automatizálni. Kezdve olyan mikrodöntésektől, hogy melyik takarító melyik szobába menjen, egészen komplexebb, sokváltozós döntésekig. Ehhez az ügynököket „tanítani” kell. Nem kódot írnak nekik, hanem célokat adnak, és rajban futtatják a modelleket.
Az előadó szerint a következő lépés az, hogy a promptolás helyett stratégiát kell alkotni. Az ügynök gondolkodik, dönt és cselekszik az ember helyett, neki a rendszer viselkedését és a célokat kell formálni. „Ha relevánsak akarunk maradni, akkor mindenkinek a saját területén érdemes ügynökökkel kísérletezni, meg kell tanulni velük együttműködni, bátor és felelősségteljes vezetőként viselkedni, és közben emberi hálózatokat építeni” – ezen a ponton egy QR-kódot vetített ki, amely a Linkedin-oldalára vezetett. Végül azt a kérdést tette fel, hogy mikor kell leállni az automatizálással: a válasza az, hogy akkor, amikor már nem tudjuk megmagyarázni, mi történik.
Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.
