Hoe bouw je een AI-agent?

Wat zorgt ervoor dat een atleet een gouden medaille wint? Training. Wat maakt een muzikant tot een virtuoos? Training. Maar training is niet alleen voor mensen van belang. Steeds meer bedrijven zien de waarde in van het trainen van kunstmatige intelligentie (AI). Het ontwikkelen en trainen van een AI-agent is essentieel voor de groei van een bedrijf. Door een AI-agent menselijke taal te leren, wordt deze nuttiger dan ooit.

Naarmate de AI-technologie vordert, zullen agents geavanceerder en capabeler worden, wat helpt om de kloof tussen menselijke verwachtingen en AI-prestaties te overbruggen. In dit artikel bespreken we wat een AI-agent precies is. We nemen de basisprincipes van het bouwen en trainen van AI onder de loep en leggen alle stappen uit, zodat je zelf een agent kunt trainen.

Wat we zullen behandelen

• Wat is een AI-servicemedewerker?
• Inzicht in de basisprincipes van het bouwen van AI-agents
• De 6 stappen voor het bouwen en trainen van AI-agents
• Bouw en train je eigen AI-agent

Een AI-agent is een softwareprogramma dat ontworpen is om mensen te helpen bij het uitvoeren van taken en het beantwoorden van vragen. Alles draait om het helpen van mensen.

AI-agents, gebaseerd op kunstmatige intelligentie, leren van verschillende soorten input en ondersteunen bij alledaagse taken, zoals e-mails beheren en afspraken plannen. Deze taken kunnen variëren van het instellen van herinneringen en werkroosters tot het verstrekken van informatie, zoals weerupdates of nieuws. Ze zijn geprogrammeerd om menselijke taal te begrijpen en erop te reageren, wat de interactie natuurlijk en gebruiksvriendelijk maakt.

Er zijn veel soorten AI-agents, waaronder ondersteunende agents en autonome agents. Een ondersteunende agent is bijvoorbeeld een agent die ingebouwd is in tools voor medewerkers om hen te helpen met gepersonaliseerde, functie-specifieke taken. Autonome agents kunnen vragen van klanten begrijpen en beantwoorden zonder menselijke tussenkomst. Dit wordt gedaan door een agent builder te gebruiken, zoals Agentforce. Dit zorgt ervoor dat agents dynamisch werken in plaats van vooraf gedefinieerde regels te volgen. Deze agents worden geactiveerd door wijzigingen in data en automatisering.

Het trainen van een AI-agent omvat verschillende belangrijke stappen om ervoor te zorgen dat deze effectief en efficiënt werkt. Denk hierbij aan het verzamelen en voorbereiden van data, modeltraining, evaluatie, afstemming en implementatie. Het omvat ook het monitoren en updaten van je agent om ervoor te zorgen dat deze in lijn blijft met je doelen. In dit artikel nemen we je stap voor stap mee in dit proces, zodat je er zelf mee aan de slag kunt gaan.

Voordat we verdergaan met de stappen voor het bouwen van een agent, nemen we eerst de basisprincipes door. Het bouwen en trainen van een AI-agent houdt in dat je hem leert om menselijke taal te begrijpen en erop te reageren op een manier die nuttig en relevant is. Van generatieve AI (GenAI) tot conversationele AI: je data vormen de kern van alles. De training omvat verschillende belangrijke principes op het gebied van kunstmatige intelligentie, met name machine learning en natuurlijke taalverwerking (NLP). Laten we ze allemaal doornemen.

Machine learning (ML) is een AI-type waarmee systemen automatisch leren en zich verbeteren op basis van ervaring. Dit gebeurt zonder expliciet geprogrammeerd te worden. Bij het trainen van een AI-agent gebruiken machine learning-algoritmen historische gegevens (zoals voorbeelden van menselijke interacties) om patronen te vinden en beslissingen te nemen. Hoe meer gegevens de AI verwerkt, hoe beter deze wordt in het voorspellen van en reageren op verzoeken van gebruikers.

Natuurlijke taalverwerking (NLP) is een tak van AI die zich bezighoudt met de interactie tussen computers en mensen door middel van natuurlijke taal. Het doel is dat computers grote hoeveelheden natuurlijke taalgegevens kunnen verwerken en begrijpen. In de context van een AI-agent stelt NLP het systeem in staat om menselijke taal te begrijpen, te interpreteren en te genereren op een manier die zowel natuurlijk als zinvol is.

Het labelen van data is een belangrijke stap in het trainen van AI, waarbij mensen ruwe data labelen zodat de AI deze kan begrijpen. Bij het trainen van een AI-agent kan het labelen van gegevens bijvoorbeeld bestaan uit het taggen van woordsoorten in zinnen, het identificeren van het sentiment van een tekst of het categoriseren van zoekopdrachten in onderwerpen. Deze gelabelde gegevens dienen vervolgens als leidraad voor de AI om van te leren en om de context en intentie achter gebruikersinvoer te begrijpen.

Bij het bouwen van een AI-agent is de eerste stap het duidelijk definiëren van wat je wilt dat de agent doet. Je bepaalt welke specifieke taken en functies de agent moet uitvoeren. Hieronder lees je hoe je dit aanpakt.

Bepaal eerst de taken en functies van de AI-agent. Maak een lijst van de problemen die de AI-agent moet oplossen of de taken die de AI-agent moet uitvoeren. Wil je een autonome agent? Heb je de agent nodig om vragen van klanten te beantwoorden, gebruikers te helpen bij het online winkelen of informatie over je bedrijf te verstrekken? De functies van je AI-agent stem je specifiek af op deze eisen.

Heb je bijvoorbeeld een virtuele winkelagent nodig? Deze agent helpt gebruikers bij het navigeren door webshops en biedt gepersonaliseerd winkeladvies. Dit doet de agent op basis van gebruikersvoorkeuren en winkelgedrag in het verleden. Het kan cadeau-ideeën voorstellen, de beste deals vinden of zelfs helpen bij kledingkeuzes.

Vervolgens identificeer je je doelgroep. Verschillende gebruikers hebben verschillende verwachtingen en manieren om met technologie om te gaan. Een AI-agent die is ontworpen voor medische professionals moet bijvoorbeeld medische terminologie nauwkeurig begrijpen en gebruiken.

Houd ook rekening met use cases of specifieke praktijksituaties waarin je AI-agent zal worden gebruikt. Door deze te definiëren, kun je duidelijk maken welke functies en mogelijkheden nodig zijn. Een klantenservice chatbot moet bijvoorbeeld vragen, klachten en mogelijk transacties afhandelen, terwijl een agent voor virtueel winkelen in staat moet zijn om producten voor te stellen, prijzen te vergelijken en gebruikersvoorkeuren te begrijpen.

Een AI-agent leert van data, net zoals een student leert van studieboeken. Als de data onjuist of van slechte kwaliteit zijn, zal de AI de verkeerde dingen leren en fouten maken. Hoogwaardige data zorgen ervoor dat de AI de invoer van gebruikers nauwkeurig kan begrijpen en verwerken.

Je traint je AI-agent met gegevens die overeenkomen met het soort interacties die de agent met gebruikers zal hebben. Deze data kunnen bestaan uit teksten, spraakopnamen en logboeken.

• Teksttranscripts. Verzamel transcripts van gesprekken uit chatlogboeken, supporttickets of e-mails die vergelijkbaar zijn met de verwachte interacties met de AI.
• Spraakopnamen. Als de AI reageert op gesproken opdrachten of vragen, zijn spraakopnamen essentieel om de AI te helpen om verschillende accenten, intonaties en spraakpatronen te begrijpen.
• Interactielogboeken. Gegevens van eerdere interacties met vergelijkbare systemen kunnen inzicht geven in gebruikersgedrag en veelvoorkomende query’s of opdrachten.

Deze gegevens moeten eerst worden opgeschoond voordat je ze kunt gebruiken voor training. Je verwijdert irrelevante of onjuiste data, corrigeert fouten en waarborgt de consistentie in de dataset. Denk bijvoorbeeld aan het corrigeren van typefouten in teksttranscripts of het wegfilteren van achtergrondruis in spraakopnamen.

Tot slot moeten gegevens worden gelabeld. Dit houdt in dat je tags of metadata toevoegt om te beschrijven waar elk stukje data voor staat. Bijvoorbeeld het labelen van een stuk tekst met de intentie van de gebruiker, zoals ‘wil een vlucht boeken’ of ‘vraagt naar openingstijden’. Dit helpt de AI de context en het doel van gebruikersinvoer te begrijpen.

In deze stap selecteer je het juiste machine learning-model. Dit bepaalt hoe goed de AI van gegevens kan leren en zijn taken kan uitvoeren.

Er zijn twee soorten machine learning-modellen.

1. Neurale netwerken. Dit zijn krachtige modellen die de werking van menselijke hersenen nabootsen. Ze zijn bijzonder goed in het verwerken van grote hoeveelheden data en het herkennen van patronen. Dit maakt ze ideaal voor het begrijpen en genereren van menselijke taal.
2. Reinforcement learning. Dit type model leert door trial-and-error. Het gebruikt feedback over zijn acties om in de loop van de tijd te verbeteren. Dit is handig voor AI-agents die beslissingen moeten nemen of hun gedrag moeten optimaliseren op basis van gebruikersinteracties.

Maar hoe kies je nu het juiste model?

Denk na over de functies en taken die de AI-agent moet uitvoeren. Als de agent bijvoorbeeld op een menselijke manier antwoorden moet begrijpen en genereren, kan een neuraal netwerk de beste keuze zijn.

Denk ook na over de data die je hebt verzameld. Neurale netwerken hebben bijvoorbeeld grote hoeveelheden gegevens nodig om effectief te trainen, terwijl reinforcement learning geschikt kan zijn voor scenario’s waarin de AI kan leren van voortdurende interacties met gebruikers.

Je hebt ook de optie om vooraf getrainde modellen te gebruiken. Dit zijn modellen die door onderzoekers ontwikkeld en getraind zijn op grote datasets. Ze kunnen een goed startpunt zijn omdat ze al veel algemene informatie hebben geleerd over taal en menselijke interacties.

Hieronder vind je twee voorbeelden van vooraf getrainde modellen.

• GPT (Generatieve voorgetrainde transformer). Dit model is uitstekend geschikt voor het genereren van tekst en kan worden verfijnd om specifieke taken uit te voeren, zoals het beantwoorden van vragen of het schrijven van content.
• BERT (Bidirectionele encoder-representaties van transformers). Dit model staat bekend om zijn vermogen om de context van een woord te begrijpen op basis van zijn omgeving. Het is een goede optie voor taken die een diepgaand begrip van taal vereisen, zoals sentimentanalyse of vertalingen.

Hoewel vooraf getrainde modellen over het algemeen goed geïnformeerd zijn, zijn ze waarschijnlijk niet gespecialiseerd in de specifieke taken die jij voor ogen hebt. Je zult ze dus moeten finetunen. Finetuning houdt in dat je doorgaat met het trainen van een vooraf getraind model op jouw specifieke dataset. Zo kan het zich aanpassen aan de nuances van jouw specifieke toepassing.

Het is nu tijd om het machine learning-model daadwerkelijk te trainen met behulp van de data die je hebt voorbereid. Je AI-agent begint in deze stap te leren van de voorbeelden die je hebt gegeven, zodat het uiteindelijk zelf taken kan uitvoeren.

Hieronder staan alle stappen om je AI-agent te trainen.

1. Stel je omgeving in. Voordat je begint met trainen, stel je de machine learning-omgeving in. Dit kan inhouden dat je softwarebibliotheken en frameworks installeert die nodig zijn voor machine learning.
2. Laad je gegevens. Importeer de opgeschoonde en gelabelde data in je omgeving, zodat deze gebruikt kunnen worden voor training.
3. Splits de gegevens. Verdeel je dataset in ten minste twee sets: een trainingsset en een testset. De trainingsset wordt gebruikt om het model te leren, terwijl de testset wordt gebruikt om te evalueren hoe goed het model de geleerde kennis toepast.
4. Kies een model. Op basis van deze beslissing initialiseer je het machine learning-model dat je wilt trainen.
5. Configureer trainingsparameters. In deze stap stel je de parameters in die sturing geven aan het trainingsproces. Dit omvat het leertempo, de batchgrootte en het aantal epochs. De leersnelheid bepaalt in welke mate het model zijn parameters aanpast als reactie op de waargenomen fouten tijdens de gegevensverwerking. De batchgrootte is het aantal datavoorbeelden dat door het model wordt gezien voordat de interne parameters worden bijgewerkt. Het aantal epochs, dat staat voor het volledig doorlopen van de volledige trainingsdataset, heeft invloed op de diepte van het leerproces. De meeste epochs bieden het model meer mogelijkheden om van de data te leren.
6. Train het model. Start het trainingsproces. Het model gebruikt de trainingsdata om patronen te leren en past de interne parameters aan om fouten te minimaliseren.

Volg het trainingsproces. Monitor statistieken zoals nauwkeurigheid, verlies en foutmarges. Als het model niet presteert zoals verwacht, overweeg dan de trainingsparameters aan te passen. Bijvoorbeeld: als het verlies niet afneemt, kun je het leertempo verlagen.

Het ontwikkelen van een AI-agent betekent ook het grondig testen en valideren van het systeem om ervoor te zorgen dat het presteert zoals verwacht. Dit is essentieel om problemen te identificeren en op te lossen voordat de AI-agent volledig wordt geïmplementeerd.

Geef de AI-agent een reeks vragen of opdrachten om te controleren hoe goed het reageert. Dit is vergelijkbaar met een proefexamen om te beoordelen of het model de gewenste kennis heeft opgedaan.

Controleer hoe nauwkeurig en efficiënt de AI-agent taken uitvoert. Let op de kwaliteit van de antwoorden, de responstijden en de soepelheid van de interactie.

Je hebt de keuze uit verschillende testmethoden die je hieronder vindt.

• Unit tests. Controleer afzonderlijke componenten van de AI-agent om te zien of ze correct werken.
• Gebruikerstests. Nodig eindgebruikers uit om de agent te testen in een gecontroleerde omgeving. Dit geeft inzicht in hoe goed de AI presteert in realistische scenario’s.
• A/B-testen. Vergelijk twee versies van de AI-agent om te bepalen welke beter presteert.

Voorkom overfitting en ondermaatse prestaties. Overfitting treedt op wanneer het model te sterk is afgestemd op de trainingsdata en daardoor slecht presteert op nieuwe gegevens. Gebruik technieken zoals kruisvalidatie om ervoor te zorgen dat het model goed generaliseert.

Als de agent ondermaats presteert, overweeg dan de trainingsfase opnieuw te doorlopen. Je kunt parameters aanpassen, meer data toevoegen of zelfs het model opnieuw trainen.

Implementeer systemen om feedback van gebruikers te verzamelen, bijvoorbeeld via enquêtes of directe interviews. Gebruik deze feedback om verbeteringen aan te brengen, zoals het aanpassen van de interface, de gespreksstromen of het trainen van het model met extra data.

Nu is het tijd om je AI-agent in een live-omgeving te plaatsen en te kijken hoe deze presteert met echte gebruikers.

Bepaal waar je de AI-agent wilt implementeren. Denk aan je website, mobiele apps of een spraakgestuurd platform. Configureer de AI-agent voor het gekozen platform door code te embedden of API’s te gebruiken.

Eenmaal geïntegreerd, start je de AI-agent om met gebruikers te communiceren. Creëer een vliegende start door je supportsystemen gereed te hebben staan.

Controleer regelmatig hoe goed de AI-agent presteert. Begrijpt het de vragen van gebruikers correct? Hoe gaat het om met complexe gesprekken? Je kunt tools gebruiken die realtime inzicht geven in hoe de AI-agent presteert. Deze tools geven inzicht in de responstijden, slagingspercentages en gebruikerstevredenheidsniveaus.

Vraag gebruikers direct om beoordelingen of opmerkingen. Je kunt dit doen door rechtstreeks via het platform feedback van gebruikers te verzamelen. Dit kan via pop-ups na interacties of via enquêtes. Registreer fouten en stel meldingen in om snel te reageren op plotselinge dalingen in prestaties.

Door de AI-agent zorgvuldig te monitoren, zorg je ervoor dat deze zich in de loop van de tijd aanpast en verbetert om te blijven voldoen aan de behoeften en verwachtingen van de gebruiker.

We zijn aan het einde gekomen van je training! Het ontwikkelen en trainen van je eigen AI-agent lijkt misschien veel werk, maar met Salesforce loop je voorop op het gebied van technologische innovatie. Technologie waarmee je je bedrijf naar een hoger niveau tilt. Krijg toegang tot geavanceerde tools en frameworks die het trainingsproces vereenvoudigen, zodat je AI-agent zowel intelligent als efficiënt is. Zet data om in concrete groeistrategieën. Benut de kracht van AI en bereik nieuwe niveaus van productiviteit en inzicht.

Kies vandaag nog voor een toekomst met een slimmere, meer verbonden bedrijfsomgeving en breng het traject van jouw AI-agents in kaart met Salesforce.

Caylin White is een Editorial Lead en Growth Manager voor MKB's bij Salesforce. Ze schrijft al meer dan 15 jaar content voor veel SaaS-industrieën, zoals WordPress en BuzzSumo. Ze is gespecialiseerd in SEO, maar wil absoluut dat elke situatie een mensgerichte invalshoek krijgt.