エージェント型 AI のユースケースを理解する

エージェント型 AI は、大規模言語モデル (LLM) と各種ツールを使用し、生成 AI の能力をさらに強化します。外部ソースと接続・通信することで、自動化されたタスクを全体的に認識、判断、調整し、設定された目標を達成します。 

エージェント型 AI を実際に稼働させるには、LLM が外部ツールにアクセスできるシステムを作成します。このシステムでは、LLM は、外部ツールをどのように使用すべきかを AI エージェントに指示するロジックにもアクセスできます。エージェント型システムは、他のソフトウェアツールを駆動して操作するレイヤーです。 

エージェント型 AI は、物理的な構造の中で、または、ソフトウェアプログラムとして提供され、その 2 つを組み合わせたものもあります。たとえば、ロボットシステムの AI エージェントは、カメラ、センサー、モニターを使用して環境に関するデータを収集し、その情報をソフトウェアと組み合わせて処理し、次のステップを決定します。これはセンサーフュージョンと呼ばれるプロセスです。 

ソフトウェア環境におけるエージェント型 AI は、アプリケーション・プログラミング・インタフェース (API)、オンライン検索、テキストプロンプト、データベースなどの他のソースからデータを収集します。こうして収集したデータは、エージェントが知覚や文脈を形成するのに役立ちます。

Red Hat AI の詳細

エージェント型 AI と AI エージェント

AI エージェントは名詞です (「3 つのエージェントを構築している」など)。エージェント型システム内で動作し、役割を果たすように構築されたソフトウェア・エンティティです。

エージェント型 AI は記述的な表現であり、システムの動作特性を表します (「ソフトウェアをよりエージェント型にする必要がある」など)。人間による限られた指示により、目標に向けて計画を立て、意思決定を行い、アクションを起こすことができるシステムを表す言葉です。 

AI エージェントの歴史概略

初期の AI エージェントでは、イテレーションに基本的な API 関数呼び出しが使用されていました。その時点で、AI エージェントはシステムの命令セットを作成するようになりました。 

次に、フレームワークによって、単一のツール呼び出しが、推論、実行、観察、反復というループに発展しました。 

その後、モデルコンテキストプロトコル (MCP) が登場し、アプリケーションとサービス間の通信が標準化されました。これにより、MCP クライアント (外部データまたはリソースへのアクセスを要求するコンポーネント) にツール、リソース、プロンプトを公開し、検出可能にすることが、これまで以上に容易になりました。 

今では、自律型コーディング・エージェントとマルチエージェント・システムがあります。マルチエージェント・システムでは、1 つのエージェントがタスクを計画し、自ら作成したサブエージェントにその場でタスクを委譲します。人間は、ループの中にいる立場から、ループによって通知される側になります。

では、エージェントが実際の認証情報を使用して長期にわたって実際のシステムを操作できるのなら、何がエージェントの誤った動作を防いでいるのでしょうか。

それが AgentOps です。 

AgentOps (エージェント・オペレーション) とは、AI が意思決定を行う際の「頭脳」をリアルタイムで監視するツール群のフレームワークです。 

エージェントの行動は非決定的です。つまり、一連のランダムな確率分布によって決定されます。その行動を正確に予測することはできないのです。エージェント型ワークフローは問題を創造的に解決するのに役立ちますが、システムが暴走しないようにその創造性を管理する必要があります。

AgentOps はプロダクションレイヤーを対象とし、ソフトウェアの信頼性を高めます。AgentOps は次のような方法で支援します。

• ハードウェアリソースの追跡
• ハルシネーション発生率の監視
• データ暗号化の維持
• エージェントが行った操作に関する監査可能なログの提供
• ポリシー違反が発生した際の該当プロセスの終了

エンタープライズ環境では、エージェント型ワークフローに AgentOps が不可欠です。AgentOps により、自社のインフラストラクチャ上に構築され、自社のデータでトレーニングされ、自社の価値観に沿い、自社のルールに従う AI システムが提供されます。 

AgentOps の詳細はこちら

検索拡張生成 (RAG) は、LLM を外部リソースにリンクさせて生成 AI アプリケーションからの回答精度を高める手法です。エージェント型 RAG は、LLM が単に取得するのではなく積極的に調査できるようにすることで、従来の RAG をさらに一歩進化させました。

RAG はアクセスできるドキュメントやデータセットから回答を取得し、コンテキストを提供できますが、手動のプロンプトエンジニアリングに依存しています。また、従来の RAG はコンテキスト認識が限られており、最初のクエリのみに依存して関連情報を取得します。

それに比べてエージェント型 RAG は洗練されており、動的です。明示的に指示されなくても、独自の質問を考え出し、メモリーからコンテキストを作り出し、追加のタスクを実行することができます。従来の RAG を超えたこの機能により、エージェント型 RAG は、人間の介入に頼ることなく、ユーザーに代わってより情報に基づいた意思決定を行うことができます。

モデルが応答をやめ、行動を開始するとき

エージェント型 AI は、多くの目的に使用できます。さまざまな業界での活用例を見てみましょう。

金融業界におけるエージェント型 AI

金融チームは数百万件の取引を監督しており、不正行為の検出とポリシー適用を手動で行う場合、リアルタイムでは対応できません。 

自律型の金融エージェントは、日々の取引を継続的に監視し、不正行為やポリシー違反が拡大する前にそれらを検出できます。エージェントはライブデータを取り込み、内部ルールと照合し、異常を検出します。ここから、人間のレビュー担当者が介入して、検出された不審なアクティビティを分析し、対処するかどうかを最終判断します。

IT およびソフトウェア・エンジニアリングにおけるエージェント型 AI

開発者は、バグの再現や修正の作成に何時間も費やしていますが、本来その時間は新機能の構築や改善に費やせるはずです。AI エージェントは、サンドボックスでバグを再現し、修正案を作成し、パッチが機能するかどうかを検証するためのテストを実行することで、トリアージを支援します。ソリューションが検証されると、人間の開発者がコードをレビューし、プロダクションへのデプロイメントを承認します。

サプライチェーン管理におけるエージェント型 AI

異常気象、労働者のストライキ、港の混雑などの外部要因によってサプライチェーンが混乱し、遅延や金銭的損失につながる可能性があります。エージェントは、ニュースの最新情報を追跡したり、気象情報を監視したり、遅延の可能性をチームに警告したりすることができます。ルート変更による財務上の影響を計算することもできます。その後、サプライチェーン・マネージャーがエージェントの費用便益分析を確認し、どの戦略を採用するかについて最終的な判断を下します。

自動運転車向けエージェント型 AI

自動運転車は複雑な現実の環境を走行しなければなりません。つまり、相反するセンサーデータの膨大なストリームを解釈する必要があるのです。エージェント型センサーフュージョン・システムは、カメラやレーダーから得られる、未加工の異なる入力を統合して、車両周囲の環境の統一されたリアルタイムモデルを作成します。エージェント型システムは、あらゆる車両センサーからのデータを処理、整理、フィルタリングして、視覚的な曖昧さを把握し、ミリ秒単位で衝突の危険性を予測します。人間のセーフティドライバーやリモートオペレーターは、エッジケースの例外を確認し、これらのシステムの信頼性を監視し、必要に応じて手動で制御します。

コミュニケーションと広報活動におけるエージェント型 AI

オンラインの世界は、人間のコミュニケーションチームでは追いつけないスピードで変化しています。新しいニュースは 24 時間絶えず発信され、センチメントは数分で変わることがあり、小さなニュースがすぐさま危機に発展する可能性があります。

エージェントは、昼夜を問わず、あらゆるプラットフォームで全世界でのブランドへの言及を追跡し、世間のムードを評価するための要約を作成できます。また、ニュース記事、最近公開された学術論文、ソーシャルメディアのトレンドを精査し、毎日の概要をまとめることもできます。その後、エージェントはこうした知見を要約し、チームが業界の変化に先んじて対応できるように支援します。これらの概要をもとに、コミュニケーション担当者はリスクの高い局面でのメッセージを作成し、エスカレーションされたインシデントに対する PR 対応の戦略を立てることができます。

人事におけるエージェント型 AI

新入社員のオンボーディングには、繰り返しの多い管理作業、スケジューリング、絶え間ない質問が伴うため、リソースが浪費されがちです。この業務を支援するため、オンボーディング専用のエージェントが、ドキュメンテーション、IT 環境の設定、トレーニングを通じて新入社員をサポートします。このエージェントは、新入社員の職務や部署に基づいて、具体的な質問に答えたり、オリエンテーションのスケジュールを設定したりするのに役立ちます。人事リーダーやチームマネージャーは、時間に余裕が生まれることで、組織文化に適応するための手厚い支援、メンターシップ、新入社員との個人的なつながりの構築に集中できます。 

法務およびコンプライアンスにおけるエージェント型 AI

世界的な商取引法や環境規制が常に変化しているため、グローバル企業は容易にコンプライアンス違反の状態に陥ってしまいます。エージェントは、世界中の規制の更新を継続的に追跡し、法的枠組みの変更が業務ワークフローにどのように影響するかを分析できます。これにより、企業は手作業でポリシーを確認することなく、法的リスクに先回りして対応できます。エージェントが社内での対応が必要な特定の領域を検出すると、法務担当者はその検出内容を解釈し、必要に応じて企業ポリシーの改訂案を作成できます。 

マーケティングとセールスにおけるエージェント型 AI

競争の激しい市場では、固定された価格設定は収益の損失につながりかねません。エージェントは競合他社の価格設定と市場需要をリアルタイムで監視します。利益率を維持しながら競争優位性を保つための価格調整を提案します。マーケティングと収益の責任者は価格戦略の境界を設定し、自動化された推奨事項を確認し、プロモーション・キャンペーンを承認します。 

医療におけるエージェント型 AI

医療従事者は管理データの多さに圧倒されており、結果として、自身の燃え尽きや、患者ケアの見落としにつながる可能性があります。臨床アシスタント・エージェントは、患者データを整理し、不足している検査結果を指摘し、医薬品の併用や投与量に関する問題があればチームに警告することができます。医師や臨床スタッフはエージェントをセーフティネットとして活用することで、検知されたアラートを確認し、患者を直接ケアするために費やす時間を増やせます。 

Red Hat のエージェント型 AI ユースケースの詳細

Red Hat® AI は、専用の AgentOps コントロールプレーンを通じて、エージェントのライフサイクル全体を運用化します。これにより、ハイブリッドクラウド環境全体にわたって、デプロイメントの保護、可観測性、効率性が維持されます。 

このプラットフォームは、安全のための統合されたガードレールを通じて、エンタープライズグレードのガバナンスを提供します。その基盤となるインフラストラクチャは vLLM と llm-d を使用して高性能な分散推論を行うことができるため、リソースを大量に消費するワークフローをオンプレミス環境からエッジ環境まで拡張できます。

Red Hat AI は、vLLM 搭載のサーバーを通じて、高速で柔軟かつ効率的な推論を行います。モデルをデータと確実に接続し、専用エージェントのカスタマイズと開発を単一のプラットフォームで行うことができます。オープンソースを基盤として構築された当社の AI 製品により、あらゆる規模で AI ワークフローをエンドツーエンドで完全に制御することができます。