Large Language Model （LLM）アプリケーションは、財務アナリストが企業の業績に関する複雑な質問に答えるのを支援するために設計されている。これらのアプリケーションは、適切に構造化されたretrieval-augmented generation（RAG）パイプラインを利用して、財務諸表から情報を抽出し、特定の会計年度の企業の総収益などの質問に答えることができる。ただし、企業の決算発表からの重要なポイントなど、より複雑な質問には、計画、集中力、記憶力、複雑な質問をより単純な部分に分解する能力など、より洗練されたアプローチが必要だとのこと。

LLMを利用したエージェントは、LLMを使用して問題を推論し、問題を解決するための計画を作成し、計画を実行し、実行中に問題が発生したかどうかを再評価するシステムだ。これらのエージェントは、複雑な推論能力、メモリー、およびタスクを実行する手段を備えている。これらはAutoGPTやBabyAGIなどのプロジェクトで最初に観察され、最小限の介入で複雑な問題が解決された。エージェントは、エージェントコア、メモリーモジュール、ツール、計画モジュールなどの主要コンポーネントで構成されるとのこと。

エージェントコアは基本的に指示に従うLLMだが、メモリーモジュールはエージェントの思考やユーザーとのやり取りのログを保存するものだ。ツールは、エージェントがタスクを実行するために使用できる明確に定義された実行可能なワークフローであり、計画モジュールは複雑な問題に対処するために使用される。例えば、重層的なビジネス上の質問に答えるために一連の財務レポートを分析するには、多くの場合、微妙なアプローチが必要だ。LLMを利用したエージェントを使用すると、タスクと質問の分解と考察または批評のテクニックを組み合わせて使用​​することで、この複雑さに対処できるという。

エージェントの可能なアプリケーションの範囲は多岐にわたるが、企業環境での有望なアプリケーションには、質問応答エージェント、エージェントの群れ、レコメンデーションおよびエクスペリエンスデザインエージェント、カスタマイズされたAIオーサーエージェント、マルチモーダルエージェントなどがある。これらのアプリケーションは、エコシステム内で形成される新しいスタートアップとともに、コミュニティーの感情をマイニングし、アプリケーションから情報を抽出した結果だという。ソース：