Van Compound AI-systemen tot AI Agents: onze reis vóór de hype

‍Van samengestelde AI-systemen naar AI agents

De eerste keer dat we in contact kwamen met samengestelde AI-systemen, was dat eerder onbedoeld. We werkten aan een project dat AI-workflows met meerdere stappen vereisten. Al snel merkten we dat één enkel model tekortschoot bij het verwerken van gegevensinvoer en complexe transformaties. Daarom begonnen we verschillende modellen te combineren – waaronder grote taalmodellen (LLM’s) – om data te analyseren, interpreteren en verfijnen. Zo konden we taken als tekst- en beeldanalyse efficiënt uitvoeren.

Om deze complexe workflows te kunnen beheren schakelden we over op AWS Step Functions. Daarmee automatiseerden en stroomlijnden we onze processen en legden we voor ons de basis voor wat nu bekendstaat als Compound AI Systems.

Een concreet voorbeeld is onze videoprocessing-workflow voor het Data Protection Institute. Eerst transcribeert ons model de audio naar tekst. Vervolgens segmenteert het de tekst tot overzichtelijke stukken. Tot slot gebruiken we een LLM om de leesbaarheid te verbeteren en relevante inzichten boven te halen. Deze aanpak illustreert perfect hoe samengestelde AI-systemen ook complexe, gelaagde taken aankunnen.

Door verschillende modellen en tools te combineren, konden we flexibel en efficiënt complexe problemen oplossen. Pas later beseften we dat dit precies aansloot bij het opkomende concept van Compound AI. De systemen stellen in staat om toepassingen te bouwen die niet alleen robuust zijn, maar ook makkelijk meeschalen en zich aanpassen aan veranderende datavereisten.

Maar het landschap blijft razendsnel veranderen. De snelle vooruitgang in LLM's, vooral op het gebied van redeneervermogen, maakt het AI mogelijk om verder te denken dan vooraf gedefinieerde workflows. Deze evolutie effent het pad voor AI-agentsystemen – systemen die zelfstandig beslissingen nemen, plannen en zich aanpassen aan nieuwe situaties.

Om dit potentieel te benutten, gebruikten we LangGraph, een orkestratieframework dat is ontworpen voor geavanceerde agentgebaseerde systemen. Met LangGraph bouwden we workflows waarin agents in realtime konden communiceren, leren en zich aanpassen. Daarmee verlegden we de grenzen van wat onze systemen konden bereiken.

De overstap van samengestelde systemen naar AI-agents bracht nieuwe mogelijkheden én uitdagingen met zich mee. Waar Compound AI vooral uitblinkt in processen bestaande uit meerdere stappen, bieden AI-agents juist flexibiliteit en autonomie. Zo kunnen ze sneller inspelen op onvoorziene situaties, wat leidt tot efficiëntere, innovatieve oplossingen.

Systemen die gebruik maken van AI agents kunnen strategieën dynamisch aanpassen op basis van real-time feedback. Het resultaat? Slimmere en efficiëntere resultaten. Eén zo'n toepassingdie we hebben ontwikkeld voerde zelfstandig data-automatisatie en categorisatie uit. De agent bepaalde zelf of en wanneer externe tools nodig waren, en in welke volgorde die moesten worden ingezet om de best mogelijke gegevensuitbreiding te bereiken. Zo optimaliseerde hij voortdurend zijn workflow – een krachtig staaltje adaptief vermogen.

Geleerde lessen

Onze ervaring met Compound AI Systems legde een sterke basis voor de overstap naar AI-agents. Door de integratie van meerdere modellen en tools leerden we hoe we AI-workflows konden orkestreren, schaalbare systemen konden ontwerpen en robuuste prestaties konden garanderen. Die kennis bleek onmisbaar bij het bouwen van meer dynamische en autonome oplossingen.

We hebben geleerd dat automatisering weliswaar processen kan stroomlijnen, maar dat de echte waarde ligt in systemen die zich kunnen aanpassen en zelfstandig beslissingen kunnen nemen.

Toch brengt een agentgebaseerde aanpak ook nieuwe uitdagingen met zich mee. Denk aan robuuste foutafhandeling en het vermogen om realtime bij te sturen in onvoorspelbare situaties. Maar juist die uitdagingen bieden ook kansen: ze maken de weg vrij voor intelligente, responsieve systemen die met minimale menselijke tussenkomst complexe taken kunnen uitvoeren.

We hebben ontdekt dat de kracht zit in de combinatie: de gestructureerde aard van Compound AI met de flexibiliteit van AI-agenten leidt tot een krachtige hybride aanpak, waarbij betrouwbaarheid en innovatie hand in hand gaan.

Wat is de toekomst?

De toekomst van AI-orkestratie ligt in het verder verfijnen en uitbreiden van agentgebaseerde systemen. Teams die deze stap willen zetten, doen er goed aan de lessen van Compound AI mee te nemen: denk aan modulair ontwerp en schaalbaarheid. Door frameworks als LangGraph te omarmen en in te zetten op continu leren en aanpassen, blijven ze vooroplopen in het snel veranderende AI-landschap.

De technologie staat niet stil – en met elke ontwikkeling ontstaan nieuwe kansen: van het optimaliseren van bedrijfsprocessen tot het bouwen van volledig nieuwe toepassingen die tot voor kort ondenkbaar waren.

Conclusie

De AI-wereld ontwikkelt zich razendsnel, en wij zijn vastbesloten om bij te blijven. Onze evolutie van samengestelde AI-systemen naar autonome agents toont deze ambitie.

Dankzij onze vroege focus op Compound AI bouwden we schaalbare, flexibele systemen. De overstap naar AI-agents heeft ons in staat gesteld om nog verder te gaan – richting intelligente automatisering en adaptief redeneren.

AI zal sectoren blijven transformeren en het technologische landschap opnieuw vormgeven. Laten we samen de grenzen van innovatie blijven verleggen.

Benieuwd hoe AI jouw organisatie kan versterken? Neem contact met ons op!

‍