ИИ-агенты вызывают всё больший интерес, несмотря на скепсис вокруг долговечности тренда. Исследование Центра стратегии цифровых продуктов МТС (Research & Insights) показывает, что вложения в эти технологии и их внедрение будут только расти.
В полной версии отчёта подробно рассмотрены текущее состояние рынка, ключевые тенденции и потенциальные сценарии развития. Основные выводы, подготовленные Максимом Зубаревым, Екатериной Лустач, Филиппом Шедько и Андреем Осиным, уже опубликованы на SE7ENе в этой статье. Ниже — обзор типов ИИ-агентов и их применений.
- Простые рефлекторные агенты
- Агенты с моделью среды
- Агенты, ориентированные на цель
- Утилитарные агенты
- Обучающиеся агенты
- Сравнение типов
- Дополнительная классификация
Простые рефлекторные агенты
Действуют исключительно по принципу «если условие выполнено — выполняется действие». У таких агентов нет памяти и механизма обучения: они опираются на фиксированный набор правил и не адаптируются к новым ситуациям.
Их сила — быстрота реакции в предсказуемой среде с ограниченным числом сценариев. Но при столкновении с незнакомыми условиями они бессильны и не способны корректировать своё поведение.
Типичный пример — датчик движения с включением света или умный термостат, активирующий обогрев при достижении пороговой температуры.
Агенты с моделью среды
Обогащённая версия рефлекторных агентов: они строят внутреннюю модель окружения, отслеживают изменения и заполняют пробелы при нехватке данных. Благодаря этому принимают более обоснованные решения в динамических условиях.
При поступлении новых данных модель обновляется, учитывая прошлые состояния и действия агента. Правила «если X, то Y» работают уже не в вакууме, а в контексте сложного представления о мире.
Пример: робот-пылесос прокладывает карту помещения, запоминает расположение препятствий и корректирует маршрут. Автокоррекция запоминает историю ввода и улучшает рекомендации.
Агенты, ориентированные на цель
Помимо внутренней модели, такие агенты обладают заданной целью и планируют последовательность действий для её достижения. Каждый шаг оценивается по критерию «приведёт ли он к цели?» без расчёта сложных показателей.
Агент анализирует текущее состояние, строит алгоритм достижения цели и выполняет его, адаптируясь к изменениям среды.
Классический пример — шахматная программа, оценивающая ходы «да/нет»: приведёт ли ход к мату в заданное число ходов.
Утилитарные агенты
Оценивают «полезность» каждого действия численно: скорость, стоимость, прибыль, энергопотребление и другие метрики. На основе этих расчётов выбирают оптимальный вариант.
Учитывают риски и неопределённость: прогнозируют возможные отклонения и готовят план действий на случай непредвиденных обстоятельств.
Примеры: торговый бот выбирает лучший момент для сделки, сервис такси динамически корректирует тарифы, а ИИ-система управляет цепочками поставок.
Обучающиеся агенты
Постоянно совершенствуют своё поведение на основе обратной связи и опыта. Состоят из четырёх компонентов:
- Элемент производительности — выбирает действия в текущем окружении;
- Элемент обучения — обновляет знания и навыки;
- Критик — оценивает результаты по заданным метрикам;
- Генератор проблем — ищет новые стратегии и собирает данные для улучшения.
Например, рекомендательные системы Netflix анализируют предпочтения зрителей, спам-фильтры адаптируются к жалобам пользователей, игровые ИИ и чат-боты поддержки тоже относятся к обучающимся агентам.
Сравнение типов
Кратко о различиях:
- Простые рефлекторные — решения «по условию», без памяти и обучения.
- С моделью среды — хранят внутреннее представление мира и адаптируются к изменениям.
- Ориентированные на цель — планируют действия, оценивая их бинарно: ведут ли они к цели.
- Утилитарные — взвешивают варианты по числовым метрикам (стоимость, риск, время).
- Обучающиеся — совершенствуют стратегии на основе опыта и обратной связи.
Дополнительная классификация
Агенты также делят по сферам применения. Лидерам инфраструктурных решений («технологии для технологий») достаются 42 % венчурных инвестиций — $8,53 млрд. В этой области работают около 115 компаний.
Отраслевые агенты (Healthcare, Finance, Education, Logistics и др.) привлекли 11,5 % инвестиций ($2,4 млрд) при аналогичном числе игроков (~106 компаний). Их считают перспективными драйверами рынка в ближайшие 3–5 лет.
Выделяются два зрелых сегмента:
- Customer Service: 32 компании, $1,78 млрд (8,5 % инвестиций).
- Personal Assistant & Productivity: 24 компании, $2,954 млрд (14,1 %).
