Pada materi ini kita sudah masuk dalam transisi AI LLM menuju ke AI Agent, dalam pertemuan ini kita akan belejar.

Table of Content

• [ ] Pengantar dulu
• [ ] LLM Challenges
• [ ] AI Agent
  • [ ] Karakteristiik
• [ ] Multi-Agent Collaboration
• [ ] Crew AI

Pengantar Dulu

Akhirnya kita sampai pada materi ini, materi yang secara pribadi ingin segera saya bagikan. Sebagai pengantar, kita akan memahami perbedaan dari Traditional Software Development dan Modern AI Development dalam konteks input→proses→output.

LLM Challenges

Kita sudah belajar banyak tentang LLM, kita sudah mengetahui kemampuan LLM dalan memproses text-generation dengan kemampuannya memahami konteks dan memory panjang yang dimiliki. Namun, tentu kita akan ada kelemahan dibalik LLM, diantaranya:

1. Tidak Proaktif (Self-Improving)

   LLM bersifat reaktif dan hanya merespons permintaan (prompt) yang diberikan oleh pengguna. Ia tidak memiliki kemampuan untuk secara mandiri memonitor, mengambil inisiatif, atau menyelesaikan tugas tanpa interaksi langsung.

2. Kurangnya Memori Jangka Panjang

   LLM tidak memiliki memori jangka panjang bawaan. Mereka tidak dapat menyimpan konteks di luar sesi tertentu, sehingga sulit untuk melacak informasi yang relevan dari waktu ke waktu.

3. Ketidakmampuan untuk Melakukan Tindakan (Tools)

   LLM hanya menghasilkan teks, tanpa kemampuan untuk bertindak langsung di dunia nyata, seperti mengirim email, mengelola file, atau memanipulasi database. AI Agent dapat terhubung ke berbagai sistem dan API untuk mengeksekusi tindakan secara langsung.

4. Rentan terhadap Kesalahan Fakta (Hallucination)

   LLM sering menghasilkan jawaban yang tidak akurat atau “mengarang” informasi, terutama jika informasi yang diminta tidak ada dalam dataset pelatihannya.

5. Tidak Real-Time

   LLM tidak terhubung langsung dengan data real-time kecuali jika diprogram untuk melakukannya (misalnya, dengan integrasi API).

AI Agent

Sekarang bayangkan LLM yang dapat terhubung ke peralatan (tool) seperti API dan dapat melakukan Self-Improving, saat itu terwujud maka itu adalah AI Agent.

AI Agent adalah program perangkat lunak yang dapat berinteraksi dengan lingkungannya, mengumpulkan data, dan menggunakan data tersebut untuk melakukan tugas yang ditentukan sendiri guna memenuhi tujuan yang telah ditentukan sebelumnya. Manusia menetapkan tujuan, tetapi agent AI secara mandiri memilih tindakan terbaik yang perlu dilakukan untuk mencapai tujuan tersebut. Misalnya, pertimbangkan agen AI pusat kontak yang ingin menyelesaikan pertanyaan pelanggan.

Karakteristik

Reasonably React

Melalui fitur ini, AI Agent dapat meninjau kembali response yang tlah dihasilkan melalui Goal yang tlah diberikan saat AI Agent didefinisikan sehingga output yang dihasilkan pada akhirnya berupa final output.

AI Agent memiliki beberapa karakteristik utama yang membedakannya dari sistem komputasi biasa. Berikut adalah karakteristik utama AI Agent:

1. Autonomi
   • AI Agent dapat beroperasi secara mandiri tanpa perlu intervensi manusia secara terus-menerus.
2. Reaktivitas
   • Mampu merespons perubahan dalam lingkungan secara real-time.
3. Proaktifitas (Goal-Oriented)
   • Tidak hanya bereaksi terhadap lingkungan tetapi juga memiliki tujuan yang ingin dicapai.
4. Kemampuan Belajar dan Adaptasi
   • Dapat meningkatkan performanya berdasarkan pengalaman dan data yang diperoleh dari waktu ke waktu.
5. Interaksi dengan Lingkungan
   • Berkomunikasi dengan lingkungan melalui sensor (input) dan aktuator (output).
6. Keberlanjutan (Persistence)
   • Berjalan dalam jangka waktu yang lama untuk menjalankan tugasnya, bukan hanya menjalankan satu perintah lalu berhenti.
7. Multi-Agent Collaboration
   • Bisa bekerja sama dengan agen lain atau sistem lain dalam menyelesaikan tugas yang kompleks.
8. Reasoning and Decision Making
   • Mampu menganalisis situasi, membuat keputusan, dan memprediksi konsekuensi dari tindakan tertentu.

Karakteristik ini memungkinkan AI Agent digunakan dalam berbagai aplikasi seperti asisten virtual, chatbot, sistem rekomendasi, dan pengendalian otomatis.

Multi-Agent Collaboration

Multi-Agent Collaboration adalah konsep di mana beberapa agen cerdas (AI Agents) bekerja bersama untuk mencapai tujuan bersama atau menyelesaikan tugas yang kompleks. Agen-agen ini bisa berupa perangkat lunak, robot, atau entitas lain yang memiliki kecerdasan buatan dan dapat berkomunikasi serta berkoordinasi satu sama lain.

Struktur Kolaborasi

• Struktur Linear (Kiri)
  • Agen bekerja dalam rantai komunikasi satu arah atau berurutan.
  • Setiap agen hanya berinteraksi dengan agen sebelum dan sesudahnya.
  • Cocok untuk tugas yang memerlukan pemrosesan berjenjang, seperti workflow dalam sistem produksi.
• Struktur Hierarkis (Tengah)
  • Agen memiliki hubungan atasan-bawahan, mirip dengan model pohon.
  • Satu agen mengontrol atau berkoordinasi dengan beberapa agen lainnya.
  • Digunakan dalam sistem manajemen tugas, di mana satu agen utama membagi tugas ke agen lainnya.
• Struktur Jaringan (Kanan)
  • Semua agen dapat berinteraksi dengan beberapa agen lainnya dalam bentuk jaringan.
  • Lebih fleksibel dan memungkinkan kolaborasi yang lebih kompleks serta komunikasi dua arah.
  • Digunakan dalam sistem desentralisasi seperti swarm intelligence atau jaringan peer-to-peer.

CrewAI

CrewAI adalah sebuah framework atau pendekatan dalam Multi-Agent Collaboration yang memungkinkan agen-agen AI bekerja sama dalam tim (crew) untuk menyelesaikan tugas yang kompleks dengan lebih efisien. CrewAI dirancang untuk mengorganisir agen-agen dengan peran spesifik, tugas yang terdefinisi dengan jelas, serta akses ke alat yang terbatas agar dapat berfungsi secara optimal.

Konsep Utama dalam CrewAI

1. Agents (Agen)
   • Setiap agen AI memiliki kemampuan khusus dan dapat belajar dari pengalaman.
   • Agen dapat berinteraksi dengan agen lain dalam tim untuk bertukar informasi dan menyelesaikan tugas bersama.
2. Tasks (Tugas)
   • CrewAI membagi pekerjaan ke dalam tugas-tugas kecil yang dapat diselesaikan oleh agen tertentu.
   • Tugas-tugas ini dirancang agar agen tidak berulang-ulang dalam iterasi tanpa hasil.
3. Crew (Tim/Kelompok)
   • Agen bekerja dalam kelompok atau tim yang terstruktur untuk meningkatkan kolaborasi.
   • Setiap agen dalam tim memiliki peran dan tanggung jawab tertentu.
4. Tools (Alat)
   • Agen hanya diberikan akses ke alat-alat yang relevan untuk menyelesaikan tugasnya.
   • Hal ini mencegah penggunaan sumber daya yang tidak efisien dan meningkatkan fokus agen.

Karakteristik CrewAI

✅ Self-Improvement: Agen dapat belajar dan berkembang menggunakan memori mereka.

✅ Guardrails & Constraints: CrewAI membatasi agen agar tidak masuk ke dalam “rabbit holes” (pengulangan tidak produktif).

✅ Goal-Oriented: Agen selalu berusaha mencapai solusi yang jelas dan tidak melakukan iterasi tanpa batas.

✅ Focus & Efficiency: Setiap agen memiliki tugas yang spesifik dan alat yang terbatas, memastikan fokus dan efisiensi kerja.

Contoh Penggunaan CrewAI

🚀 Sistem Bantuan Pelanggan: Beberapa agen bekerja sama untuk menangani pertanyaan pelanggan dengan membagi tugas seperti memahami pertanyaan, mencari jawaban, dan merespons pengguna.

🔎 Penelitian & Analisis Data: CrewAI bisa digunakan dalam tim riset untuk mengumpulkan, menganalisis, dan merangkum data dari berbagai sumber.

🤖 Sistem AI Otonom: Dalam sistem yang lebih kompleks seperti kendaraan otonom, CrewAI bisa membagi tugas antara agen yang menangani navigasi, deteksi rintangan, dan optimasi rute.

References

https://aws.amazon.com/what-is/ai-agents

https://www.deeplearning.ai/short-courses/multi-ai-agent-systems-with-crewai/