suchen
HeimTechnologie-PeripheriegeräteKIProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

  • Projektadresse: https://github.com/OpenBMB/ProAgent
  • Papieradresse: https://github.com/OpenBMB/ProAgent/blob/main/paper/paper. pdf

In der langen Geschichte der menschlichen technologischen Entwicklung war die Automatisierung immer die wichtigste treibende Kraft und half den Menschen, sich aus komplexen, gefährlichen und ermüdenden Arbeitsumgebungen zu befreien. Von der Wasserradbewässerung im frühen Agrarzeitalter bis zu Dampfmaschinen im Industriezeitalter streben die Menschen ständig nach fortschrittlicheren Automatisierungstechnologien, um sich von mühsamer Arbeit zu befreien

Mit dem Aufkommen des Informationszeitalters wird Software zur Informationsverarbeitung eingesetzt , Die Grundlage der Speicherung und Kommunikation ist zu einem untrennbaren Bestandteil der menschlichen Produktion und des menschlichen Lebens geworden, was zur Entstehung der Robotic Process Automation (RPA)-Technologie geführt hat. Es koordiniert mehrere Softwareprogramme durch manuell zusammengestellte Regeln zu einem festen Arbeitsablauf (Workflow) und interagiert mit der Software, um durch die Simulation menschlicher Interaktion eine effiziente Ausführung zu erreichen.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

In dieser Grafik vergleichen wir Robotic Process Automation (RPA) mit Agent Process Automation (APA)

RPA (Robotic Process Automation) nutzt Softwareroboter oder „BOTs“, um sich wiederholende und regelmäßige Aufgaben zu simulieren und auszuführen um Personalressourcen freizusetzen und die Arbeitseffizienz zu verbessern. Das Anwendungsspektrum von RPA ist sehr breit. Viele Unternehmen (darunter Banken, Versicherungen, Fertigung, Einzelhandel und andere Branchen) nutzen RPA-Roboter normalerweise, um routinemäßige und mühsame Aufgaben wie Dateneingabe, Datenextraktion und Datenverarbeitung zu automatisieren. Durch die Automatisierung von Aufgaben kann RPA die Fehlerquote erheblich reduzieren und Aufgaben rund um die Uhr ausführen, wodurch die Zuverlässigkeit und Reaktionsfähigkeit des Unternehmens verbessert wird

Marktforschung zufolge wächst der RPA-Markt schnell und erzielt große Erfolge. Gartner prognostiziert, dass der weltweite RPA-Marktumsatz bis 2023 3,3 Milliarden US-Dollar erreichen wird, mit einer Wachstumsrate von 17,5 %. Dies zeigt, dass Unternehmen eine sehr hohe Nachfrage und Anerkennung für RPA haben

RPA kann jedoch nur einfache und mechanische menschliche Arbeit ersetzen, und einige komplexe Prozesse basieren immer noch auf manueller Arbeit:

  1. Das Schreiben des RPA-Workflows selbst erfordert viel Arbeit Menschliche Arbeit kostet mehr.
  2. Komplexe Aufgaben sind sehr flexibel und beinhalten meist dynamische Entscheidungen, die sich nur schwer in Ausdrucksregeln verfestigen lassen. Abbildung 2 Vergleich der Effizienz und Intelligenz zwischen RPA und APA KI könnte neue Möglichkeiten eröffnen. Automatisierungstechnologie schafft neue Möglichkeiten. Ist es möglich, die Flexibilität der Agententechnologie in den RPA-Bereich einzuführen, um die menschliche Beteiligung weiter zu reduzieren?

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Die Forschung des Teams erforscht das neue Automatisierungsparadigma „Agentic Process Automation“ (APA) im Zeitalter großer Modellagenten. Im Vergleich zu herkömmlichem RPA kann der Agent im APA-Paradigma den Workflow-Aufbau unabhängig entsprechend den menschlichen Bedürfnissen abschließen. Gleichzeitig kann er die Teile menschlicher Bedürfnisse identifizieren, die eine dynamische Entscheidungsfindung erfordern, und diese automatisch in den Workflow integrieren. und schließen Sie den Workflow ab, wenn der Workflow ausgeführt wird. Dieser Teil übernimmt aktiv die Ausführung des Workflows, um entsprechende komplexe Entscheidungen abzuschließen.

Um die Möglichkeiten von APA zu untersuchen, wurde in dieser Forschungsarbeit ein automatisierter Agent ProAgent implementiert, der menschliche Anweisungen empfangen und Workflows erstellen kann, indem Code generiert wird. DataAgent und ControlAgent werden ebenfalls in den Workflow eingeführt, um komplexe Datenverarbeitung und Logik zu implementieren Kontrolle. Die Forschung von ProAgent zeigt die Machbarkeit von APA im Zeitalter großer Agentenmodelle und zeigt auch neue Möglichkeiten für die Automatisierungstechnologie im Zeitalter von LLM auf.

Einführung in die Methode

In RPA ist ein Workflow eine Diagrammstruktur, die aus einer Reihe von Werkzeugaufrufen besteht: Knoten stellen atomare Werkzeugaufrufe dar (z. B. Gmail, Twitter, Google Sheets) und Kanten stellen die Ausführungslogik dar. Sequenz ( verbinden, verzweigen, schleifen). Ein Workflow enthält normalerweise das gesamte Vorwissen zu einer Aufgabe oder einem Aufgabentyp, einschließlich Problemlösungspfaden und Ausnahmebehandlungslogik. Daher ist das Schreiben fester Arbeitsabläufe oft sehr stabil, gründlich und effizient

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Abbildung 3 Beispiel einer Agenten-Workflow-Beschreibungssprache

Da LLM selbst in Codedaten vorab trainiert ist und starke Codefähigkeiten erlernt hat, verwendet diese Studie die codebasierte Agenten-Workflow-Beschreibungssprache. Agenten-Workflow-Beschreibung Sprache. Diese Sprache verwendet JSON zum Organisieren und Verwalten von Daten im Workflow und implementiert die logische Steuerung des Workflows. Sprünge, Schleifen usw. im Kontrollfluss werden direkt durch die Python-Syntax dargestellt, und die Tools im Workflow sind Der Aufruf ist als Python-Funktion gekapselt. Für ProAgent werden also Workflow-Erstellungsaufgaben in Codegenerierungsaufgaben umgewandelt. Beim Empfang menschlicher Anweisungen schreibt ProAgent die entsprechende Agentic Workflow Description Language und realisiert so eine automatisierte Workflow-Erstellung.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Abbildung 4 Beispiel einer Agenten-Workflow-Beschreibungssprache, die DataAgent und ControlAgent kombiniert.

Komplexe Aufgaben im wirklichen Leben beinhalten normalerweise dynamische Entscheidungsfindung, einfache logische Kontrollregeln im Python-Stil und Datenorganisation im JSON-Stil Die Form ist machtlos, wenn sie mit flexiblen Anforderungen konfrontiert wird, und zu diesem Zeitpunkt muss ein Agent eingeführt werden. Daher werden in dieser Forschungsarbeit zwei Agentenoperationen weiter definiert:

1 DataAgent: Für eine komplexe Datenverarbeitungsanforderung wird natürliche Sprache verwendet, um die Verarbeitungsaufgaben zu beschreiben, wenn der Workflow erstellt wird, und dann wird während der Ausführung ein DataAgent initialisiert wird die Datenverarbeitungsaufgabe basierend auf der Beschreibung in natürlicher Sprache selbstständig verarbeiten und abschließen.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

2. Für logische Kontrollregeln, die sich nur schwer durch Regeln ausdrücken lassen, wird beim Erstellen des Workflows natürliche Sprache verwendet, um die Kontrolllogik zu beschreiben, und dann wird zur Laufzeit ein ControlAgent initialisiert, der beschrieben wird Basierend auf der natürlichen Sprache. Wählen Sie unabhängig die Zweige aus, die später im Workflow ausgeführt werden müssen.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

ProAgent verwendet den ReACT-Modus, um Schritt für Schritt einen Workflow zu erstellen, der vier Workflow-Erstellungsschritte enthält:

  1. Action_Define: Entscheiden Sie, welche Tools dem Workflow hinzugefügt werden sollen.
  2. Aktionsimplementierung: Konvertieren Sie die Eingabe-/Ausgabeparameter des Tools in eine JSON-Struktur und kapseln Sie den Aufruf des Tools in eine Python-Funktion.
  3. Workflow-Implementierung: Definieren Sie eine mainWorkflow-Funktion, um die Logiksteuerung und Datenverarbeitung des gesamten Workflows zu organisieren.
  4. Aufgabe senden: Wenn ProAgent die Erstellung des Workflows abgeschlossen hat, markiert dieser Vorgang das Ende des Erstellungsprozesses.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Das Beispiel zeigt Abbildung 5 des ProAgent-Workflow-Konstruktionsprozesses

Zusätzlich werden mehrere Optimierungstechniken eingeführt, um die Wirkung von ProAgent zu optimieren:

  1. 1.Testen- on -Constructing: Während des Konstruktionsprozesses testet ProAgent den Workflow nach einmaliger Änderung, um die Korrektheit des Workflows sicherzustellen.
  2. Funktionsaufruf: Alle Vorgänge der Workflow-Erstellung sind in GPT-4-Funktionen gekapselt, wodurch die Kontrolle über den Workflow-Erstellungsprozess verbessert wird.
  3. Gedankenkette: Wenn ProAgent Workflow-Code schreibt, ist es notwendig, Kommentare und einen Schreibplan für jede Funktion abzugeben, um die Leistung der ProAgent-Workflow-Erstellung zu verbessern.

Der Ausführungsprozess des Workflows basiert auf dem Python-Interpreter. Wenn ein Workflow angegeben ist, wird die entsprechende mainWorkflow-Funktion als Einstiegspunkt für die Ausführung verwendet und somit der gesamte Ausführungsprozess gestartet. Der Ausführungsprozess folgt den Ausführungsregeln des Python-Codes, das heißt, er wird Zeile für Zeile der Reihe nach ausgeführt. Sobald die mainWorkflow-Funktion zurückkehrt, ist die Ausführung des Workflows erfolgreich abgeschlossen

Machbarkeitsüberprüfung

Um die Machbarkeit der Agentic Process Automation zu überprüfen, verwendete diese Studie OpenAI GPT-4 als Basismodell und eine Open-Source-RPA-Plattform n8n als Träger zur Implementierung des oben genannten ProAgent. Gleichzeitig haben wir eine Aufgabe entworfen, die sowohl Flexibilität als auch Effizienz erfordert: Dies ist ein typisches Geschäftsszenario, das das Extrahieren von Gewinndaten verschiedener Geschäftsbereiche aus Google Sheets und das Festlegen nachfolgender Maßnahmen basierend darauf erfordert, ob es sich bei dem Unternehmen um 2B oder 2C handelt. Sobald festgestellt wird, dass es sich bei der Branche um 2C handelt, wird eine Nachricht an den Slack-Kanal gesendet. Für Geschäftsbereiche in 2B wird eine E-Mail an den jeweiligen Manager gesendet, die eine Beurteilung des Geschäftsbereichs und einen kurzen Überblick über die Rentabilität enthält.

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Abbildung 6 Aufgabenanweisungsanzeige

Der Inhalt, der neu geschrieben werden muss, ist: Bei dieser Aufgabe handelt es sich zunächst einmal um eine sich wiederholende Aufgabe. Für mehrere Produktlinien sollte der gleiche Verarbeitungsablauf gelten angenommen. Zweitens ist es sehr schwierig zu unterscheiden, ob es sich bei einem Geschäftsbereich um 2C oder 2B handelt, und es erfordert eine dynamische Entscheidungsfindung durch den Agenten, um den nachfolgenden Arbeitsablauf festzulegen. Schließlich erfordert das Schreiben der Bewertungs-E-Mail des Geschäftsbereichs ein gewisses Maß an Intelligenz, sodass das Eingreifen des Agenten erforderlich ist wurde geschrieben. Der Gesamtprozess ist in der folgenden Abbildung grob dargestellt:

Abbildung 7 ProAgent-Workflow-Erstellungsprozessanzeige

ProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen UniversitätenEs ist ersichtlich, dass ProAgent den Workflow-Erstellungsprozess automatisch durch das Schreiben seines eigenen Codes abschließt, ohne dass manuelle Arbeit erforderlich ist. Intervention. Wenn festgestellt werden muss, ob der Geschäftsbereich 2B oder 2C ist, führt ProAgent ControlAgent ein, um die Entscheidung zu treffen. Die Eingabeaufforderung von ControlAgent ist auf „Entscheiden, ob der Geschäftsbereich toC oder toB ist“ eingestellt. Wenn der Geschäftsbereich 2B ist, führt ProAgent auch einen DataAgent ein, dessen Aufgabe darin besteht, „eine E-Mail des Geschäftsbereichs Gewinn zusammen mit Ihrem Vorschlag zu schreiben“ und so die Intelligenz des Agenten zu nutzen, um basierend auf der tatsächlichen Situation zu schreiben verschiedene Geschäftsbereiche.

Nachdem der Workflow geschrieben und gefestigt wurde, verzweigt der Workflow entsprechend den unterschiedlichen Daten automatisch zu einer anderen Logik, um eine effiziente Datenverarbeitung zu ermöglichen.

Abbildung 8 ProAgent-Workflow-AusführungsprozessanzeigeProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten

Bei der Verarbeitung von 2C-Geschäftsfelddaten kann ControlAgent den Typ des aktuellen Geschäftsfelds anhand der Geschäftsfeldbeschreibung bestimmen und das Slack-Tool dafür verwenden Kommunikation. Bei der Verarbeitung von 2B-Geschäftsliniendaten kann DataAgent eine E-Mail verfassen und an die Mailbox des entsprechenden Managers senden. Im Vergleich zur herkömmlichen Robotic Process Automation-Technologie kann Agentic Process Automation die Erstellung von Workflows automatisieren und die Automatisierung dynamischer Entscheidungen während der Workflow-Ausführung realisieren. Die Forschung hat auch ProAgent weiterentwickelt und experimentell die Machbarkeit und das Potenzial von Großmodell-Agenten in der Automatisierung demonstriert. Ich glaube, dass die Technologie großer Modellagenten den Menschen in Zukunft dabei helfen wird, ein höheres Maß an Automatisierung zu erreichen und sich von schwerer Arbeit zu befreien.

Verwandte Forschung des Teams Anleitung für große Modellagenten. Beinhaltet:

XAgent: ein superleistungsfähiges Modellagenten-Anwendungsframework, das komplexe Aufgaben selbst zerlegen und effizient ausführen kann.

Projektadresse: https://github.com/OpenBMB/XAgent

ChatDev: ein kollaboratives Entwicklungsframework für mehrere Agenten, das es mehreren Agenten mit unterschiedlichen Rollen ermöglicht, zusammenzuarbeiten und automatisch Softwareanwendungen zu entwickeln.

Projektadresse: https://github.com/OpenBMB/ChatDev

  • AgentVerse: Eine große modellgesteuerte allgemeine Plattform für Agenten, die eine Vielzahl von Agentenexperten rekrutiert, um Benutzern gemeinsam bei der Lösung komplexer Aufgaben zu helfen.
  • Projektadresse: https://github.com/OpenBMB/AgentVerse

Das obige ist der detaillierte Inhalt vonProAgent: Von OpenAI geführte intelligente Agenten setzen Arbeitskräfte frei, veröffentlicht von der Tsinghua-Universität und anderen Universitäten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme
Dieser Artikel ist reproduziert unter:51CTO.COM. Bei Verstößen wenden Sie sich bitte an admin@php.cn löschen
解读CRISP-ML(Q):机器学习生命周期流程解读CRISP-ML(Q):机器学习生命周期流程Apr 08, 2023 pm 01:21 PM

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

人工智能的环境成本和承诺人工智能的环境成本和承诺Apr 08, 2023 pm 04:31 PM

人工智能(AI)在流行文化和政治分析中经常以两种极端的形式出现。它要么代表着人类智慧与科技实力相结合的未来主义乌托邦的关键,要么是迈向反乌托邦式机器崛起的第一步。学者、企业家、甚至活动家在应用人工智能应对气候变化时都采用了同样的二元思维。科技行业对人工智能在创建一个新的技术乌托邦中所扮演的角色的单一关注,掩盖了人工智能可能加剧环境退化的方式,通常是直接伤害边缘人群的方式。为了在应对气候变化的过程中充分利用人工智能技术,同时承认其大量消耗能源,引领人工智能潮流的科技公司需要探索人工智能对环境影响的

找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了Apr 08, 2023 pm 06:21 PM

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

条形统计图用什么呈现数据条形统计图用什么呈现数据Jan 20, 2021 pm 03:31 PM

条形统计图用“直条”呈现数据。条形统计图是用一个单位长度表示一定的数量,根据数量的多少画成长短不同的直条,然后把这些直条按一定的顺序排列起来;从条形统计图中很容易看出各种数量的多少。条形统计图分为:单式条形统计图和复式条形统计图,前者只表示1个项目的数据,后者可以同时表示多个项目的数据。

自动驾驶车道线检测分类的虚拟-真实域适应方法自动驾驶车道线检测分类的虚拟-真实域适应方法Apr 08, 2023 pm 02:31 PM

arXiv论文“Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving“,2022年5月,加拿大滑铁卢大学的工作。虽然自主驾驶的监督检测和分类框架需要大型标注数据集,但光照真实模拟环境生成的合成数据推动的无监督域适应(UDA,Unsupervised Domain Adaptation)方法则是低成本、耗时更少的解决方案。本文提出对抗性鉴别和生成(adversarial d

数据通信中的信道传输速率单位是bps,它表示什么数据通信中的信道传输速率单位是bps,它表示什么Jan 18, 2021 pm 02:58 PM

数据通信中的信道传输速率单位是bps,它表示“位/秒”或“比特/秒”,即数据传输速率在数值上等于每秒钟传输构成数据代码的二进制比特数,也称“比特率”。比特率表示单位时间内传送比特的数目,用于衡量数字信息的传送速度;根据每帧图像存储时所占的比特数和传输比特率,可以计算数字图像信息传输的速度。

数据分析方法有哪几种数据分析方法有哪几种Dec 15, 2020 am 09:48 AM

数据分析方法有4种,分别是:1、趋势分析,趋势分析一般用于核心指标的长期跟踪;2、象限分析,可依据数据的不同,将各个比较主体划分到四个象限中;3、对比分析,分为横向对比和纵向对比;4、交叉分析,主要作用就是从多个维度细分数据。

聊一聊Python 实现数据的序列化操作聊一聊Python 实现数据的序列化操作Apr 12, 2023 am 09:31 AM

​在日常开发中,对数据进行序列化和反序列化是常见的数据操作,Python提供了两个模块方便开发者实现数据的序列化操作,即 json 模块和 pickle 模块。这两个模块主要区别如下:json 是一个文本序列化格式,而 pickle 是一个二进制序列化格式;json 是我们可以直观阅读的,而 pickle 不可以;json 是可互操作的,在 Python 系统之外广泛使用,而 pickle 则是 Python 专用的;默认情况下,json 只能表示 Python 内置类型的子集,不能表示自定义的

See all articles

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

SublimeText3 Linux neue Version

SublimeText3 Linux neue Version

SublimeText3 Linux neueste Version

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

Herunterladen der Mac-Version des Atom-Editors

Herunterladen der Mac-Version des Atom-Editors

Der beliebteste Open-Source-Editor

WebStorm-Mac-Version

WebStorm-Mac-Version

Nützliche JavaScript-Entwicklungstools

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

Leistungsstarke integrierte PHP-Entwicklungsumgebung