knowledge-based agent คืออะไร
knowledge-based agent คือระบบ AI ที่ใช้ฐานความรู้ (knowledge base) และ inference engine ในการให้เหตุผลและกระทำการ ฐานความรู้เก็บข้อมูลเฉพาะด้าน ในขณะที่ inference engine นำกฎมาประยุกต์ใช้กับข้อเท็จจริงที่รู้อยู่แล้วเพื่อสรุปผล วงจรการทำงานพื้นฐานคือ Percepts → Knowledge Base → Inference → Action ตัวอย่างเช่น agent สำหรับงานสนับสนุนด้านเทคนิคสามารถจับคู่ปัญหาเครื่องพิมพ์กับกฎการแก้ไขปัญหา แนะนำวิธีแก้ และอธิบายเหตุผลเบื้องหลังคำแนะนำนั้นได้
knowledge-based agent ทำงานอย่างไร
knowledge-based agent ในปัญญาประดิษฐ์มักทำงานตามวงจรการให้เหตุผลที่ทำซ้ำ โดยรับข้อมูลจากสภาพแวดล้อม แปลงข้อมูลนั้นให้เป็นข้อเท็จจริงที่มีโครงสร้าง จากนั้นจึงตรวจสอบฐานความรู้ก่อนเลือกการตอบสนองหรือการกระทำ
ขั้นตอนการรับรู้ (Perception)
ขั้นตอนการรับรู้ทำหน้าที่รวบรวมข้อมูลจากสภาพแวดล้อม แหล่งข้อมูลอาจเป็นข้อความจากผู้ใช้ ค่าที่อ่านได้จากเซนเซอร์ บันทึกการทำธุรกรรม หรือเหตุการณ์ของระบบ
ข้อมูลนำเข้าดิบไม่ได้พร้อมสำหรับการให้เหตุผลเชิงตรรกะเสมอไป agent อาจต้องปรับให้เป็นมาตรฐานก่อน โดยสามารถระบุ entity ที่สำคัญ ตรวจจับเงื่อนไข และแปลงผลลัพธ์ให้เป็น percept ที่มีโครงสร้าง
ตัวอย่างเช่น:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingการแปลงนี้ทำให้ inference engine มีรูปแบบข้อมูลที่สอดคล้องกันสำหรับการจับคู่กฎ
วงจร TELL–ASK–PERFORM
knowledge-based agent แบบคลาสสิกใช้การทำงานหลักสามอย่าง:
| การทำงาน | จุดประสงค์ | ตัวอย่าง |
|---|---|---|
| TELL | เพิ่มข้อมูลใหม่เข้าสู่ฐานความรู้ | บันทึกว่าคำสั่งซื้อล่าช้า |
| ASK | ค้นหาคำตอบจากฐานความรู้ | ตรวจสอบว่าคำสั่งซื้อมีสิทธิ์ได้รับการช่วยเหลือหรือไม่ |
| PERFORM | ดำเนินการตามที่เลือกไว้ | ส่งการอัปเดตสถานะการจัดส่ง |
ขั้นตอนการอนุมานและการดำเนินการ
เอนจินอนุมานจะตรวจสอบว่ากฎใดสอดคล้องกับข้อเท็จจริงที่มีอยู่ จากนั้นจึงหาข้อสรุปหนึ่งหรือหลายข้อ ตัววางแผนหรือตัวเลือกการดำเนินการสามารถนำข้อสรุปเหล่านั้นไปใช้เพื่อเลือกขั้นตอนต่อไป
เอเจนต์ที่น่าเชื่อถือควรแยกแยะระหว่างข้อสรุปที่ยืนยันแล้วกับคำอธิบายที่เป็นไปได้ เมื่อฐานความรู้มีข้อมูลไม่เพียงพอ เอเจนต์ควรขอความชัดเจนเพิ่มเติมหรือส่งกรณีนั้นให้มนุษย์จัดการ
ส่วนประกอบหลักของเอเจนต์ที่ใช้ฐานความรู้มีอะไรบ้าง?
โครงสร้างของเอเจนต์ที่ใช้ฐานความรู้ประกอบด้วยหลายชั้น โดยแต่ละชั้นมีหน้าที่รับผิดชอบแยกจากกัน การแยกส่วนเช่นนี้ช่วยให้ระบบทดสอบและดูแลรักษาได้ง่ายขึ้น
ฐานความรู้
ฐานความรู้เก็บข้อเท็จจริงและกฎที่เอเจนต์ใช้ในการให้เหตุผล ตัวอย่างเช่น อาจบันทึกว่าลูกค้ามีการสมัครสมาชิกที่ยังใช้งานอยู่ และผู้สมัครสมาชิกที่ยังใช้งานอยู่สามารถเข้าถึงช่องทางสนับสนุนบางช่องทางได้
ฐานความรู้อาจใช้ฐานข้อมูล กราฟความรู้ หรือเอนจินกฎ ขึ้นอยู่กับโดเมนที่เกี่ยวข้อง คุณภาพของฐานความรู้มีความสำคัญมาก เพราะข้อมูลที่ขาดหายหรือไม่ถูกต้องอาจทำให้ข้อสรุปและการดำเนินการไม่น่าเชื่อถือ
การแทนความรู้
การแทนความรู้กำหนดวิธีที่ข้อมูลถูกแสดงออกภายในระบบ ตรรกศาสตร์เชิงประพจน์ใช้จัดการข้อความจริง-เท็จแบบง่าย ในขณะที่ตรรกศาสตร์อันดับหนึ่งใช้ตัวแปรและความสัมพันธ์เพื่อแทนความรู้ที่ซับซ้อนมากขึ้น
แนวทางอื่น ๆ ได้แก่ กฎแบบ IF–THEN ซึ่งตรวจสอบได้ง่ายในระบบผู้เชี่ยวชาญ ออนโทโลยีกำหนดแนวคิดในโดเมนและความสัมพันธ์ของแนวคิดเหล่านั้น ในขณะที่กราฟความรู้ใช้ความสัมพันธ์เหล่านั้นเพื่อเชื่อมโยงเอนทิตีต่าง ๆ
เอนจินอนุมาน
เอนจินอนุมานนำกฎมาใช้กับข้อมูลในฐานความรู้ การเชื่อมโยงไปข้างหน้าเริ่มจากข้อเท็จจริงที่รู้อยู่แล้วและใช้กฎที่สอดคล้องกันไปเรื่อย ๆ จนได้ข้อสรุป
การเชื่อมโยงย้อนกลับเริ่มจากเป้าหมายและค้นหาข้อเท็จจริงที่สนับสนุนเป้าหมายนั้น ระบบที่ซับซ้อนขึ้นอาจใช้เทคนิคอย่างการรีโซลูชันหรือการยูนิฟิเคชันเพื่อประมวลผลข้อความเชิงตรรกะที่มีตัวแปร
การอธิบายผลลัพธ์และการปรับปรุงความเชื่อ
โมดูลอธิบายผลลัพธ์จะระบุข้อเท็จจริงและกฎที่อยู่เบื้องหลังข้อสรุปนั้น ๆ ร่องรอยการให้เหตุผลนี้ช่วยให้ผู้ใช้เข้าใจว่าทำไมเอเจนต์จึงเลือกคำตอบหรือการดำเนินการนั้น
การปรับปรุงความเชื่อจัดการการเปลี่ยนแปลงและความขัดแย้งภายในฐานความรู้ โดยใช้นโยบายจัดลำดับความสำคัญเพื่อกำหนดว่าข้อมูลใดควรยังคงมีผลใช้อยู่ ซึ่งสำคัญมากเป็นพิเศษในกระบวนการทำงานที่อยู่ภายใต้การกำกับดูแล
เอเจนต์ที่ใช้ฐานความรู้ถูกนำไปใช้ที่ไหนบ้าง?
เอเจนต์ที่ใช้ฐานความรู้มีประโยชน์เมื่อระบบต้องปฏิบัติตามความรู้เฉพาะโดเมนอย่างชัดเจน และมีค่ามากเป็นพิเศษเมื่อจำเป็นต้องตรวจสอบกระบวนการให้เหตุผลภายหลังการดำเนินการ
การสนับสนุนการตัดสินใจทางการแพทย์
ระบบสนับสนุนการตัดสินใจทางการแพทย์สามารถเทียบอาการกับกฎทางคลินิกได้ โดยอาจระบุภาวะที่เป็นไปได้หรือแนะนำข้อมูลที่ควรเก็บเพิ่มในลำดับต่อไป
ระบบเช่นนี้ควรทำหน้าที่สนับสนุนแพทย์และผู้เชี่ยวชาญทางการแพทย์ ไม่ใช่มาแทนที่บุคคลเหล่านั้น ผลลัพธ์ที่ได้จำเป็นต้องผ่านการตรวจสอบอย่างเหมาะสม โดยเฉพาะเมื่อการตัดสินใจนั้นส่งผลต่อการดูแลผู้ป่วย
ระบบสนับสนุนลูกค้าแบบอัตโนมัติ
เอเจนต์ฝ่ายสนับสนุนสามารถค้นหาฐานความรู้เกี่ยวกับผลิตภัณฑ์ก่อนตอบลูกค้า และสามารถใช้กฎทางธุรกิจเพื่อพิจารณาว่าปัญหานั้นเข้าเงื่อนไขสำหรับการคืนเงิน การส่งต่อปัญหา หรือขั้นตอนการแก้ไขปัญหาหรือไม่
กระบวนการนี้ช่วยให้การตอบกลับมีความสอดคล้องกัน และยังช่วยให้ทีมสนับสนุนมีบันทึกไว้ว่าเหตุใดจึงเลือกดำเนินการเช่นนั้น
การปฏิบัติตามข้อกำหนดและการสนับสนุนการตัดสินใจ
ระบบด้านการปฏิบัติตามข้อกำหนดสามารถตรวจสอบธุรกรรมเทียบกับนโยบายภายในองค์กร และยังสามารถตั้งข้อสังเกตกรณีที่ต้องได้รับการอนุมัติเพิ่มเติม
ระบบที่อิงฐานความรู้มีประโยชน์ในกรณีนี้ เนื่องจากสามารถแทนนโยบายด้วยกฎที่ชัดเจนได้ เมื่อนโยบายเปลี่ยนแปลง ก็สามารถตรวจสอบและอัปเดตกฎที่เกี่ยวข้องได้
การศึกษาและการวินิจฉัยอุปกรณ์
ระบบติวเตอร์อัจฉริยะสามารถใช้คำตอบก่อนหน้าของนักเรียนเพื่อระบุจุดที่ยังขาดความเข้าใจในการเรียนรู้ จากนั้นจึงเลือกคำอธิบายหรือแบบฝึกหัดที่เหมาะสม
ระบบวินิจฉัยอุปกรณ์สามารถผสมผสานค่าที่อ่านได้จากเซนเซอร์เข้ากับกฎการบำรุงรักษา โดยอาจแนะนำให้ตรวจสอบหรือสร้างคำขอซ่อมแซมเมื่อเข้าเงื่อนไขบางประการ
ประโยชน์และข้อจำกัดมีอะไรบ้าง?
ประโยชน์
เอเจนต์ที่อิงฐานความรู้มีข้อดีในทางปฏิบัติหลายประการ ดังนี้:
ความสามารถในการอธิบาย: ระบบสามารถเชื่อมโยงข้อสรุปเข้ากับข้อเท็จจริงและกฎที่ทำให้เกิดข้อสรุปนั้นได้
ความสอดคล้อง: กฎเดียวกันสามารถนำไปใช้ในลักษณะเดียวกันกับกรณีที่คล้ายกันได้
ความเชี่ยวชาญเฉพาะด้าน: ทีมสามารถเข้ารหัสความรู้เฉพาะทางสำหรับอุตสาหกรรมใดอุตสาหกรรมหนึ่งได้
ความสามารถในการดูแลรักษา: มักสามารถอัปเดตกฎได้โดยไม่ต้องฝึกโมเดลทั้งหมดใหม่
ความสามารถในการตรวจสอบ: บันทึกการตัดสินใจสามารถแสดงได้ว่าข้อมูลใดมีผลต่อการดำเนินการ
การให้เหตุผลเชิงเป้าหมาย: เอเจนต์สามารถใช้เหตุผลไปสู่เป้าหมายที่กำหนดไว้ได้ แทนที่จะสร้างคำตอบที่ไม่เกี่ยวข้อง
ข้อดีเหล่านี้ทำให้เอเจนต์ที่อิงฐานความรู้เหมาะกับเวิร์กโฟลว์ที่มีโครงสร้างชัดเจน และเมื่อการตัดสินใจของเอเจนต์อาศัยกฎที่ชัดเจน ก็จะพึ่งพาพฤติกรรมที่ซ่อนอยู่ของโมเดลน้อยลง
ข้อจำกัด
เอเจนต์ที่อิงฐานความรู้ต้องได้รับการดูแลอย่างต่อเนื่องเพื่อให้ยังคงความถูกต้องและมีประสิทธิภาพ การสร้างฐานความรู้ต้องใช้เวลาและความเชี่ยวชาญเฉพาะด้าน ในขณะที่ข้อมูลที่ล้าสมัยหรือกฎที่ขัดแย้งกันอาจนำไปสู่การตัดสินใจที่ไม่น่าเชื่อถือ ดังนั้นการควบคุมเวอร์ชัน การตรวจสอบเป็นประจำ และลำดับความสำคัญของกฎที่ชัดเจนจึงเป็นสิ่งจำเป็น
ระบบกฎแบบดั้งเดิมอาจมีปัญหากับข้อมูลนำเข้าที่คลุมเครือ มีสัญญาณรบกวน หรืออยู่นอกโดเมนด้วย เมื่อฐานความรู้มีขนาดใหญ่ขึ้น การอนุมานก็อาจมีต้นทุนสูงขึ้น จึงจำเป็นต้องมีการจัดทำดัชนีและจัดระเบียบกฎอย่างรอบคอบเพื่อรักษาประสิทธิภาพไว้
วิธีสร้างเอเจนต์ที่อิงฐานความรู้แบบง่าย
ตัวอย่างต่อไปนี้ใช้สถานการณ์การสนับสนุนด้าน IT เพื่อแสดงโครงสร้างพื้นฐาน โดยไม่ถือว่าต้นแบบที่อิงกฎเป็นระบบใช้งานจริง
ขั้นตอนที่ 1: กำหนดฐานความรู้
เริ่มต้นด้วยข้อเท็จจริงและกฎสำหรับโดเมนที่แคบ:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]ฐานความรู้ขนาดเล็กจะตรวจสอบได้ง่ายกว่า ข้อเท็จจริงควรใช้ชื่อที่สอดคล้องกันเพื่อให้เครื่องมืออนุมานสามารถจับคู่ได้อย่างน่าเชื่อถือ
ขั้นตอนที่ 2: แปลงข้อมูลนำเข้าให้เป็นข้อเท็จจริงที่มีโครงสร้าง
เลเยอร์การรับรู้จะแปลงข้อมูลนำเข้าจากผู้ใช้ให้เป็นข้อเท็จจริง ระบบจริงอาจใช้การประมวลผลภาษาธรรมชาติสำหรับขั้นตอนนี้
ต้นแบบแบบง่ายสามารถเริ่มต้นด้วยข้อมูลนำเข้าที่กำหนดไว้ล่วงหน้า:
percepts = {
"printer_has_power",
"printer_not_printing",
}วิธีนี้ช่วยให้ตัวอย่างมุ่งเน้นไปที่การให้เหตุผลมากกว่าการแยกวิเคราะห์ภาษา
ขั้นตอนที่ 3: นำกฎการอนุมานไปใช้
เอนจินอนุมานจะตรวจสอบว่าเงื่อนไขทั้งหมดของกฎนั้นครบถ้วนหรือไม่:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsฟังก์ชันนี้จะคืนค่าข้อสรุปที่สอดคล้องกับข้อมูลรับรู้ (percepts) ในปัจจุบัน โดยจะไม่สร้างข้อสรุปขึ้นมาเองเมื่อข้อมูลที่จำเป็นยังไม่ครบ
ขั้นตอนที่ 4: เลือกการกระทำ
เลเยอร์การกระทำจะแปลงข้อสรุปให้เป็นการตอบสนอง:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."เอเจนต์ที่ใช้งานจริงควรตรวจสอบสิทธิ์และความปลอดภัยก่อนที่จะเรียกใช้เครื่องมือภายนอก
ขั้นตอนที่ 5: อธิบายผลลัพธ์
เอเจนต์ที่มีประโยชน์ควรแสดงเหตุผลว่าทำไมจึงเลือกการกระทำนั้น:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)ระบบยังสามารถบันทึกกฎที่ตรงกันไว้ได้ ซึ่งจะสร้างเส้นทางการให้เหตุผลขั้นพื้นฐานที่นักพัฒนาหรือผู้เชี่ยวชาญด้านซัพพอร์ตสามารถตรวจสอบได้
ตัวอย่างนี้แสดงถึงเอเจนต์ที่ใช้ความรู้เป็นฐานในรูปแบบขั้นต่ำ การนำไปใช้งานจริงในระดับที่ใหญ่ขึ้นจะต้องมีการตรวจสอบข้อมูลนำเข้า การจัดลำดับความสำคัญของกฎ การจัดการเวอร์ชันของความรู้ การจัดการข้อผิดพลาด และการส่งต่อให้มนุษย์ตัดสินใจ
รู้จัก Kimi Agent: เปลี่ยนความรู้ให้เป็นงานที่สำเร็จ
เอเจนต์ที่ใช้ความรู้เป็นฐานแบบดั้งเดิมนั้นต้องพึ่งพาข้อเท็จจริงและกฎที่ระบุไว้อย่างชัดเจน ในขณะที่ Kimi Agent ใช้แนวทางที่กว้างขวางและทันสมัยกว่าสำหรับงานที่ต้องใช้ความรู้เข้มข้น เพียงบอกผลลัพธ์ที่ต้องการ Kimi Agent ก็สามารถวางแผนงานก่อนดำเนินการตามขั้นตอนที่จำเป็นด้วยเครื่องมือในตัว คุณสามารถใช้มันเพื่อค้นคว้าหัวข้อ ประมวลผลข้อมูลต้นฉบับ หรือสร้างผลงานที่แก้ไขได้ โดยไม่ต้องสร้างเลเยอร์การจัดการงานแยกออกมา
นำความรู้จากแหล่งข้อมูลของคุณเข้าสู่งาน
เอเจนต์ที่มีประโยชน์ต้องเข้าถึงบริบทที่ถูกต้อง Kimi ให้คุณอัปโหลดไฟล์ได้สูงสุด 50 ไฟล์ โดยจำกัดขนาดไฟล์ละไม่เกิน 100 MB รองรับไฟล์ PDF และเอกสารสำนักงานทั่วไป คุณยังสามารถเพิ่มรูปภาพ ไฟล์ TXT หรือวิดีโอได้เมื่อภาระงานต้องการบริบทเพิ่มเติม
สิ่งนี้ทำให้ข้อมูลที่มีอยู่แล้วกลายเป็นส่วนหนึ่งของขั้นตอนการทำงาน ตัวอย่างเช่น คุณสามารถให้ Kimi Agent วิเคราะห์รายงานหลายฉบับ ระบุประเด็นสำคัญ และเปลี่ยนผลลัพธ์ให้เป็นเอกสารที่มีโครงสร้างชัดเจน ไฟล์ต่าง ๆ ให้ความรู้เฉพาะงาน ในขณะที่พรอมป์ของคุณกำหนดผลลัพธ์ที่ต้องการ
เปลี่ยนงานวิจัยให้เป็นผลงานที่แก้ไขได้
Kimi Agent สามารถทำงานข้ามหลายพื้นที่ของผลิตภัณฑ์ ดังนั้นผลลัพธ์จึงไม่ต้องจบแค่การตอบในแชท:
สร้างรายงานวิจัยพร้อมแหล่งอ้างอิงสนับสนุนผ่าน Kimi Deep Research
สร้าง เว็บไซต์หลายหน้าที่ใช้งานได้จริง จากบรีฟสั้น ๆ
สร้าง งานนำเสนอ PPT ที่แก้ไขได้ จากเอกสารต้นฉบับ
Kimi ยังสามารถจัดการขั้นตอนการทำงานด้านเอกสารและสเปรดชีตได้ ทำให้งานเดียวสามารถดำเนินไปจากการรวบรวมข้อมูลจนถึงผลลัพธ์ที่ใช้งานได้จริง โดยไม่ต้องย้ายเนื้อหาไปมาระหว่างเครื่องมือหลายตัว
ขยายเป้าหมายขนาดใหญ่ด้วย Kimi Agent Swarm
บางงานมีขนาดใหญ่เกินกว่าที่ขั้นตอนการทำงานแบบต่อเนื่องเดียวจะรองรับได้ Kimi Agent Swarm สามารถแบ่งเป้าหมายให้กับซับเอเจนต์ได้มากกว่า 300 ตัว และรองรับการเรียกใช้เครื่องมือแบบพร้อมกันได้สูงสุด 4,500 ครั้ง
โครงสร้างการทำงานแบบพร้อมกันนี้ถูกออกแบบมาสำหรับการค้นหาขนาดใหญ่และงานเขียนความยาวมาก นอกจากนี้ยังสามารถรองรับงานแบบชุด (batch) ที่ปกติต้องใช้เวลานานกว่ามากหากทำทีละรายการ ซับเอเจนต์แต่ละตัวจะทำงานในส่วนต่าง ๆ ของเป้าหมาย ขณะที่ขั้นตอนการทำงานโดยรวมยังคงยึดตามผลลัพธ์ที่ต้องการ
บทสรุป
เอเจนต์ที่ใช้ความรู้เป็นฐานใน AI ใช้ความรู้ที่มีโครงสร้างในการให้เหตุผลเกี่ยวกับสถานการณ์และเลือกการกระทำ กฎที่ระบุไว้อย่างชัดเจนทำให้การอธิบายและตรวจสอบการตัดสินใจเป็นเรื่องง่ายขึ้น ความท้าทายหลักของระบบนี้มาจากการดูแลรักษาความรู้ กฎที่ขัดแย้งกัน และข้อมูลนำเข้าที่ไม่สมบูรณ์ ระบบยุคใหม่สามารถผสมผสานการให้เหตุผลด้วยความรู้เข้ากับแมชีนเลิร์นนิง RAG และ generative AI ได้ Kimi เป็นตัวอย่างอ้างอิงที่มีประโยชน์สำหรับขั้นตอนการทำงานที่ต้องใช้ความรู้เข้มข้น ในขณะที่เอเจนต์ที่ใช้ความรู้เป็นฐานแบบดั้งเดิมยังคงมีค่าเมื่อการตัดสินใจต้องเป็นไปตามกฎของโดเมนที่ชัดเจน