Agentische KI-Systeme basieren auf großen Sprachmodellen und stellen eine Verbindung zu Instruments, Speicher und externen Umgebungen her. Sie unterstützen bereits wissenschaftliche Entdeckungen, Softwareentwicklung und klinische Forschung, kämpfen jedoch immer noch mit unzuverlässiger Werkzeugnutzung, schwacher langfristiger Planung und schlechter Verallgemeinerung. Die neueste Forschungsarbeit ‚Anpassung der Agenten-KIVon Stanford, Harvard, UC Berkeley schlägt Caltech eine einheitliche Sicht darauf vor, wie sich diese Systeme anpassen sollten, und ordnet vorhandene Methoden einem kompakten, mathematisch definierten Rahmen zu.

Wie diese Forschungsarbeit ein Agenten-KI-System modelliert?

Die Forschungsumfrage modelliert ein Agenten-KI-System als Basismodellagenten zusammen mit drei Schlüsselkomponenten. Ein Planungsmodul zerlegt Ziele in Handlungssequenzen und verwendet dabei statische Verfahren wie Chain-of-Thought und Tree-of-Thought oder dynamische Verfahren wie ReAct und Reflexion, die auf Suggestions reagieren. Ein Instrument-Nutzungsmodul verbindet den Agenten mit Websuchmaschinen, APIs, Codeausführungsumgebungen, Modellkontextprotokollen und Browserautomatisierung. Ein Speichermodul speichert kurzfristigen Kontext und langfristiges Wissen, auf das durch Retrieval Augmented Era zugegriffen wird. Die Anpassung ändert Eingabeaufforderungen oder Parameter für diese Komponenten mithilfe überwachter Feinabstimmung, präferenzbasierter Methoden wie der direkten Präferenzoptimierung, Methoden des verstärkenden Lernens wie der Optimierung der Proximalrichtlinie und der Optimierung der relativen Gruppenrichtlinie sowie parametereffizienter Techniken wie der Adaption niedriger Ränge.

Vier Anpassungsparadigmen

Das Framework definiert 4 Anpassungsparadigmen durch die Kombination von 2 binären Entscheidungen. Die erste Dimension ist das Ziel, Agentenanpassung versus Werkzeuganpassung. Die zweite Dimension ist das Überwachungssignal, die Instrument-Ausführung im Vergleich zur Agenten-Ausgabe. Daraus ergeben sich A1 und A2 für die Anpassung des Agenten und T1 und T2 für die Anpassung der Werkzeuge.

A1, Instrument Execution Signaled Agent Adaptation, optimiert den Agenten mithilfe von Suggestions aus der Toolausführung. A2, Agent Output Signaled Agent Adaptation, optimiert den Agenten mithilfe eines Indicators, das nur an seinen endgültigen Ausgängen definiert ist. T1, Agent-Agnostic Instrument Adaptation, optimiert Instruments, ohne sich auf einen bestimmten Agenten zu beziehen. T2, Agent-Supervised Instrument Adaptation, optimiert Instruments unter Aufsicht eines festen Agenten.

A1, Lernen aus überprüfbarem Instrument-Suggestions

In A1 empfängt der Agent eine Eingabe x, erzeugt einen strukturierten Instrument-Aufruf a, die Instruments geben ein Ergebnis y zurück und das Lernziel O_tool misst den Instrument-Erfolg, zum Beispiel die Richtigkeit der Ausführung oder die Qualität des Abrufs. Der Artikel behandelt sowohl die überwachte Nachahmung erfolgreicher Werkzeugverläufe als auch das verstärkende Lernen, bei dem überprüfbare Werkzeugergebnisse als Belohnung verwendet werden.

Toolformer, ToolAlpaca und Gorilla veranschaulichen überwachte A1-Methoden, da jede Ausführungsergebnisse realer Instruments verwendet, um Trainingsspuren vor der Nachahmung zu erstellen oder zu filtern. Bei allen bleibt das Überwachungssignal auf der Ebene des Werkzeugverhaltens definiert, nicht auf der Ebene der endgültigen Antwort.

DeepRetrieval ist ein zentrales Beispiel für verstärktes A1-Lernen. Es stellt die Abfrageneuformulierung als einen Markov-Entscheidungsprozess dar, bei dem der Standing die Benutzerabfrage ist, die Aktion eine umgeschriebene Abfrage ist und die Belohnung Abrufmetriken wie Recall und nDCG, einen Formatbegriff, und, für Textual content zu SQL, SQL-Ausführungsgenauigkeit kombiniert. Die Richtlinie wird mit KL-regularisierter Proximal-Richtlinienoptimierung trainiert und das gleiche Ziel umfasst die Literatursuche, die Beantwortung von Korpusfragen und die Textausgabe in SQL.

A2, Lernen aus den endgültigen Agentenausgaben

A2 deckt Fälle ab, in denen das Optimierungsziel O_Agent nur von der endgültigen Ausgabe o abhängt, die vom Agenten erzeugt wird, selbst wenn der Agent intern Instruments verwendet. Die Umfrage zeigt, dass die alleinige Überwachung von o nicht ausreicht, um Werkzeuge beizubringen, da der Agent Werkzeuge ignorieren und dennoch die Wahrscheinlichkeit verbessern kann. Effektive A2-Systeme kombinieren daher die Überwachung von Instrument-Aufrufen mit der Überwachung von endgültigen Antworten oder weisen o spärliche Belohnungen zu, wie z. B. die Genauigkeit der exakten Übereinstimmung, und verbreiten sie über die gesamte Flugbahn zurück.

T1, agentenunabhängiges Instrument-Coaching

T1 friert den Hauptagenten ein und optimiert die Instruments, sodass sie weitgehend wiederverwendbar sind. Das Ziel O_tool hängt nur von den Werkzeugausgaben ab und wird anhand von Metriken wie Abrufgenauigkeit, Rating-Qualität, Simulationstreue oder Erfolg nachgelagerter Aufgaben gemessen. Von A1 trainierte Suchrichtlinien wie DeepRetrieval können später als T1-Instruments in neuen Agentensystemen wiederverwendet werden, ohne den Hauptagenten zu ändern.

T2, Werkzeuge optimiert unter einem gefrorenen Agenten

T2 geht von einem leistungsstarken, aber festen Agenten A aus, was häufig der Fall ist, wenn es sich bei dem Agenten um ein Closed-Supply-Grundmodell handelt. Das Instrument führt Aufrufe aus und gibt Ergebnisse zurück, die der Agent dann zur Erstellung von o verwendet. Das Optimierungsziel lebt wieder von O_agent, aber die trainierbaren Parameter gehören zum Instrument. Das Papier beschreibt qualitätsgewichtetes Coaching, zielbasiertes Coaching und Reinforcement-Studying-Varianten, die alle Lernsignale für das Instrument aus den endgültigen Agentenausgaben ableiten.

Die Umfrage behandelt das Langzeitgedächtnis als Sonderfall von T2. Der Speicher ist ein externer Speicher, der durch gelernte Funktionen geschrieben und gelesen wird, und der Agent bleibt eingefroren. Zu den jüngsten T2-Systemen gehören s3, das einen 7-Milliarden-Parametersucher trainiert, der eine durch einen eingefrorenen Generator definierte Acquire-Past-RAG-Belohnung maximiert, und AgentFlow, das einen Planer trainiert, größtenteils eingefrorene Qwen2.5-basierte Module mithilfe von Circulate GRPO zu orchestrieren.

Wichtige Erkenntnisse

• Die Forschung definiert einen präzisen 4-Paradigmen-Rahmen für die Anpassung der Agenten-KI, indem sie zwei Dimensionen kreuzt: ob die Anpassung auf den Agenten oder die Instruments abzielt und ob das Überwachungssignal von der Toolausführung oder von den endgültigen Agentenausgaben kommt.
• A1-Methoden wie Toolformer, ToolAlpaca, Gorilla und DeepRetrieval passen den Agenten direkt anhand von überprüfbarem Instrument-Suggestions an, einschließlich Abrufmetriken, SQL-Ausführungsgenauigkeit und Codeausführungsergebnissen, oft optimiert mit KL-regularisierter Proximal Coverage Optimization.
• A2-Methoden optimieren den Agenten anhand von Signalen zu endgültigen Ausgaben, beispielsweise Antwortgenauigkeit, und das Papier zeigt, dass Systeme immer noch Werkzeugaufrufe überwachen oder spärliche Belohnungen über vollständige Trajektorien verbreiten müssen, andernfalls kann der Agent Werkzeuge ignorieren und gleichzeitig die Wahrscheinlichkeit erhöhen.
• T1 und T2 verlagern das Lernen auf Werkzeuge und Gedächtnis, T1 trainiert allgemein nützliche Retriever, Sucher und Simulatoren ohne einen bestimmten Agenten im Hinterkopf, während T2 Werkzeuge unter einem eingefrorenen Agenten anpasst, wie in s3 und AgentFlow, wo ein fester Generator einen erlernten Sucher und Planer überwacht.
• Das Forschungsteam stellt eine Anpassungslandschaft vor, die monolithische versus modulare und lokale versus systemische Kontrolle in Beziehung setzt, und argumentiert, dass praktische Systeme seltene A1- oder A2-Updates auf einem starken Basismodell mit häufigen T1- und T2-Anpassungen von Retrievern, Suchrichtlinien, Simulatoren und Speicher für Robustheit und Skalierbarkeit kombinieren.

---

Schauen Sie sich das an Papier Und GitHub-Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Austin, Texas, 1. Mai 2025 – Eine neue Umfrage von AI Voice Options Firm Vida Zeigt, dass kleine und mittelgroße Unternehmen, die frühzeitige Anwender von KI-betriebenen Sprachagenten sind, nach Angaben des Unternehmens erhöhte Einnahmen, ein verbessertes Kundenbindung und eine stärkere Positionierung als Branchenführer erzielen.

Die Eröffnungsumfrage für SMB AI Voice Agent Adoption & Impression ergaben, dass KMU, die sich für Branchenführer betrachten, mit größerer Wahrscheinlichkeit AI-Voice-Agenten, insbesondere für Inbound-Verkaufsanfragen und Kundenfragen, einsetzen. Die Adoption ist jedoch in der SMB -Landschaft noch früh und ungleichmäßig, was vor allem auf wahrgenommene Hindernisse wie Kundenpräferenzen für Menschen und eine mögliche komplexe Implementierung zurückzuführen ist.

Die SMB AI Voice Agent Adoption & Impression Survey wurde im März 2025 von VIDA und Survey Monkey durchgeführt, in denen 320 SMB -Eigentümer und -manager in verschiedenen Branchen gefragt wurden. Die Umfrage hat eine Fehlerquote von ± 5 Prozent, um statistisch zuverlässige Einblicke in die AI -Adoptionstrends, -vorteile und -herausforderungen innerhalb des SMB -Sektors zu gewährleisten.

Umfrageteile umfassen:

• Nur 22 Prozent der KMBs verwenden derzeit AI-Sprachagenten für ihr Geschäft, aber quick ein Drittel (31 Prozent) planen, innerhalb der nächsten 12 bis 24 Monate in AI-Stimme zu investieren.

ROI:

• 97 Prozent der KMBs, die AI -Sprachagenten verwenden, geben einen Umsatzsteigerung an.
• 82 Prozent sagen, dass diese Instruments das Kundenbindung verbessert haben, um verpasste Anrufe zu reduzieren und mehr Verkaufsmöglichkeiten zu erfassen.
• 80 Prozent geben an, fünf oder mehr Stunden professional Woche zu sparen und die Zeit für höherwertige Aufgaben zu befreien.

Anführervorteil:

• 69 Prozent der KMU, die sich als Führungskräfte klassifizieren, verwenden AI-Sprachagenten für den Kundenunterstützung oder den Umsatz, verglichen mit nur 22 Prozent, die sich selbst als wettbewerbsfähig identifizieren.
• 49 Prozent der KMBs, die sich als Führungskräfte einstufen, haben KI in ihren täglichen Betrieb ausgiebig übernommen.

Verpasste Anrufe

• 42 Prozent der KMUs schätzen, dass sie aufgrund verpasster Kundenanrufe mehr als 500 US -Greenback professional Monat oder 6.000 US -Greenback professional Jahr verlieren.
• 50 Prozent erkennen breitere Geschäftsauswirkungen aus verpassten Kommunikation an.
• Erhalten Sie zwischen 10 und 100 Kundendaten professional Tag.

Anwendungsfälle

• Die High -Anträge für AI -Sprachagenten sind Inbound -Umsatzanfragen (31 Prozent) und die Beantwortung von FAQs (20 Prozent) – Aufgaben, die häufig unbeaufsichtigt werden, aber Einnahmen beeinflussen.
• Überraschenderweise verwenden sie nur 7 Prozent für die Kundendienstteilung und signalisieren ein unerschlossenes Potenzial zur Verbesserung der Service -Workflows.

Hindernisse für die Adoption

• Zu den wichtigsten Gründen, warum KMUs zitieren, wenn sie keine AI -Sprachagenten annehmen, gehören die Wahrnehmung, dass Kunden es vorziehen, mit Menschen zu sprechen, und Bedenken hinsichtlich der Komplexität des Setups.
• In der Zwischenzeit geben 61 Prozent der KMU an, dass sie sich überhaupt nicht selbstbewusst fühlen oder nur etwas zuversichtlich sind, um neue Technologien zu implementieren und zu integrieren.

Trotz dieser Hürden sagen die meisten KMBs, dass sie in Bezug auf Technologie mit den Konkurrenten Schritt halten, aber das Vertrauen in die Implementierung erzählt eine andere Geschichte. Eine Mehrheit der Befragten bezeichnete sich entweder als „überhaupt nicht selbstbewusst“ oder nur „etwas zuversichtlich“ in ihrer Fähigkeit, neue Instruments wie KI -Sprachagenten zu integrieren.

„KMBs fehlen mehr als Anrufe – ihnen fehlen Einnahmen“, sagte Lyle Pratt, CEO und Gründerin von Vida. „Unsere Umfrage zeigt, dass KI-Sprachagenten nicht nur ein technischer Pattern sind, sondern ein strategischer Vorteil. Unternehmen, die sie verwenden, verzeichnen echte Gewinne, und wir erwarten, dass die Adoption schnell steigt, wenn mehr KMU die Chancen erkennen und die realen Anwendungsfälle verstehen.“

„Es gibt eindeutig eine Lücke zwischen wahrgenommener technisch versierte und tatsächliche Bereitschaft, diese Instruments zu übernehmen“, fügte Pratt hinzu. „Während KMU den Wert aufkommender Technologien erkennen, fehlen ihnen häufig die Ressourcen oder das Know -how, um sie effektiv in die Praxis umzusetzen. Wir möchten helfen, die Lücke mit Lösungen zu schließen, die einfach zu implementieren und ROI schnell zu liefern.“

Um mehr über die zu erfahren Vida Umfrage klicken Sie hier.

Der Eröffnungsbericht zeigt, dass quick drei von vier Entscheidungsträgern der Meinung sind, dass eine Nichtinvestition in KI die Rentabilität des Unternehmens gefährden würde, doch schlechte Datenqualität, Regulierungskomplexität und Integration behindern den Erfolg

Hochrangige Entscheidungsträger wissen, dass KI für die Rentabilität ihres Unternehmens von entscheidender Bedeutung ist. Doch trotz des wachsenden Drucks der Stakeholder, die Technologie schnell umzusetzen, verlangsamen regulatorische und technologische Herausforderungen den Prozess, heißt es in einem neuen Bericht unserer Freunde von Exasol, der Anbieter leistungsstarker Analysedatenbanken. Exasols 2024“KI- und Analytics-Bericht„Untersucht den aktuellen Stand der KI-Implementierung, die größten Herausforderungen bei der Datenanalyse und die Zukunft der C-Suite angesichts des explosionsartigen Datenwachstums und der Einführung neuer Technologien.

In Zusammenarbeit mit Vanson Bourne, einem unabhängigen Forschungsunternehmen, befragte Exasol 800 hochrangige Entscheidungsträger sowie Datenwissenschaftler und Analysten in den USA, Großbritannien und Deutschland, um die Daten- und Analyseinitiativen von Unternehmen zu bewerten, einschließlich ihrer größten Herausforderungen und ihrer Lage Sie planen, diese Herausforderungen kurzfristig (innerhalb von zwei Jahren) anzugehen.

Zu den wichtigsten Erkenntnissen gehören:

Entscheidungsträger und technische Analysten glauben, dass es zum Scheitern des Unternehmens führen wird, wenn man heute nicht in KI investiert, es bestehen jedoch immer noch erhebliche Hindernisse für eine breitere Umsetzung

Quick alle (91 %) der Befragten sind sich einig, dass KI eines der wichtigsten Themen für Unternehmen in den nächsten zwei Jahren ist, wobei satte 72 % zugeben, dass eine Nichtinvestition in KI heute die zukünftige Geschäftsfähigkeit gefährden wird. Der Druck der Stakeholder ist ebenfalls ein Faktor für eine stärkere Einführung von KI: 45 % geben an, dass sie einen zunehmenden Druck seitens der Stakeholder verspüren, die Technologie anzunehmen. Zu den am häufigsten genannten Gründen für den Glauben an die Bedeutung von KI gehören die Schaffung neuer Unternehmen oder Einnahmequellen (50 %); sich ändernde Rollen und Verantwortlichkeiten der Belegschaft (47 %); Beschleunigung der Wettbewerbsfähigkeit auf dem Markt (46 %); und Automatisierung von Prozessen (43 %).

Doch trotz des Verständnisses, wie entscheidend die Technologie für den zukünftigen Erfolg ist, gibt es Hindernisse für ihre nahtlose Implementierung: Quick neun von zehn Befragten (88 %) geben an, dass sich entwickelnde bürokratische Anforderungen und Vorschriften für KI mehr Klarheit erfordern. Darüber hinaus fehlt eine Umsetzungsstrategie (44 %); schlechte Datenqualität und unzureichendes Datenvolumen (43 %); und die Integration in bestehende Systeme (38 %) behindern die weit verbreitete Einführung von KI. Unternehmen müssen Wege finden, diese Hindernisse zu überwinden, da mehr als ein Drittel (38 %) der Unternehmen in den nächsten Jahren den Ausbau der KI-Infrastruktur planen.

Latenz behindert weiterhin die Datenanalyse- und KI-Initiativen von Unternehmen

Unternehmen haben Schwierigkeiten, ihre Datenanalyse- und KI-Projekte voranzutreiben. Erstaunliche 78 % der Entscheidungsträger melden Lücken in mindestens einem Bereich ihrer Datenwissenschafts- und maschinellen Lernmodelle (ML). Quick die Hälfte (47 %) nennt die Geschwindigkeit bei der Umsetzung neuer Datenanforderungen als Herausforderung.

Obwohl die meisten (96 %) BI-Beschleunigungs-Engines verwenden, um Abfragen direkt in ihren Instruments zu beschleunigen, geben erstaunliche 69 % der BI-Benutzer zu, dass sie weiterhin mit einer langsamen Berichtsleistung zu kämpfen haben. Weitere 79 % geben an, dass die Umsetzung neuer Geschäftsanalyseanforderungen durch ihre Datenteams zu lange dauert, was bedeutet, dass die Latenz weiterhin die Innovationsfähigkeiten, Datenanalyseprojekte und das KI-Potenzial von Unternehmen beeinträchtigt.

Angesichts der zunehmenden Datenmengen und der KI-Beschleunigung wird sich die Rolle des Chief Knowledge Officer weiterentwickeln, um integrierter, wirkungsvoller und herausfordernder zu werden

Die Rolle des Chief Knowledge Officer (CDO) wird sich als Reaktion auf die Integration von KI weiterentwickeln, einschließlich Infrastrukturentwicklung, KI-gesteuerter Automatisierung und KI-gesteuerter Erkenntnisse. Tatsächlich glauben mehr als die Hälfte (52 %) der Befragten, dass die CDO-Rolle enger mit anderen C-Suite-Mitgliedern zusammenarbeiten muss, und 44 % glauben, dass sie mit dem Chief AI Officer fusionieren wird, während Ethik- und Compliance-Fragen weiterhin eine Rolle spielen Fokus.

Im Hinblick auf Geschäftsbetriebsprognosen gehen 90 % der Unternehmen davon aus, dass sie ihre Investitionen in Personalbestand und/oder Price range in den nächsten zwei Jahren erhöhen werden, um das erwartete Datenwachstum zu unterstützen. Zu den Rollen, die in diesem Zeitraum voraussichtlich am stärksten zunehmen werden, gehören BI-/Analytics-Entwickler und -Ingenieure (beide 48 %); Datenanalysten (46 %); und Datenarchitekten/-modellierer (45 %). Trotz des erwarteten Anstiegs der Mitarbeiterzahl geben 47 % der Umfrageteilnehmer an, dass sie befürchten, dass generative KI ihre Rolle gefährden könnte.

„KI ist für den Geschäftserfolg von entscheidender Bedeutung geworden, aber sie ist nur so effektiv wie die Instruments, die Technologie und die Menschen, die sie im Backend antreiben. Unsere Studie beweist außerdem, dass es eine erhebliche Lücke zwischen aktuellen BI-Instruments und ihrer Ausgabe gibt – mehr Instruments bedeuten nicht unbedingt schnellere Leistung oder bessere Erkenntnisse“, sagte Jörg Tewes, CEO von Exasol. „Da sich CDOs auf mehr Komplexität vorbereiten und die Aufgabe haben, mit weniger mehr zu erreichen, müssen sie den Datenanalyse-Stack evaluieren, um Produktivität, Geschwindigkeit und Flexibilität zu gewährleisten – und das alles zu angemessenen Kosten.“

Für weitere Informationen laden Sie bitte den vollständigen „AI and Analytics Report“ 2024 herunter. HIER.

Methodik

Exasol beauftragte die unabhängige Marktforschungsagentur Vanson Bourne mit der Durchführung von Untersuchungen zu Daten, Analysen und KI. Im Rahmen der Studie wurden im November 2023 800 leitende Entscheidungsträger in IT- und Nicht-IT-Positionen sowie Datenwissenschaftler/-analysten befragt. Die Befragten kamen aus den USA, Großbritannien und Deutschland und alle hatten eine gewisse Verantwortung oder Kenntnisse über die Daten ihrer Organisationen Wissenschafts- und Analysestrategie oder -programm.

Die Befragten kamen aus Organisationen mit 1.000 oder mehr Mitarbeitern aus den folgenden Sektoren: Finanzdienstleistungen, Gesundheitswesen (öffentlich und privat), Einzelhandel und Telekommunikation. Alle Interviews wurden mithilfe eines strengen mehrstufigen Screening-Prozesses durchgeführt, um sicherzustellen, dass nur geeignete Kandidaten die Möglichkeit zur Teilnahme erhielten.

Melden Sie sich kostenlos für insideBIGDATA an E-newsletter.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insidebigdata/

Folge uns auf Fb: https://www.fb.com/insideBIGDATANOW