編集者注：AIエージェントは様々な業界で幅広い応用が期待されており、ますます多くの企業が導入を始めています。しかしながら、企業の本番環境におけるAIエージェントの効率的な導入と管理は、エンジニアにとって依然として大きな課題です。AIエージェントを本番環境で安定的かつ確実に動作させるにはどうすれば良いでしょうか？突発的な高同時実行リクエストにどう対応すれば良いでしょうか？AIエージェントの誤動作やシステムクラッシュが発生した場合、迅速に復旧するにはどうすれば良いでしょうか？

本稿では、「マルチエージェント・アズ・ア・サービス（MAaaS）」という概念を提唱し、クラウドアプリケーションのベストプラクティスをAIエージェントシステムの設計、展開、管理に活用できると主張します。MAaaSフレームワークは、システムアーキテクチャから監視・管理まで、あらゆる側面を網羅しており、明確な責任分担、RESTfulインターフェース設計、独立したデータストレージ、コンテナ化された展開、自動テストといった主要な戦略も含まれています。

MAaaS コンセプトの継続的な探求と改善により、マルチエージェント システムがさまざまな業界に変化をもたらし、AI アプリケーションの新たな道を切り開くことが期待されます。

著者🎨 |サム・ラジャエイ & グアンイー・リー

編纂者：岳陽

AIエージェント（特定の指示とコンテキストの理解に基づいてタスクを自律的に遂行する自律システム[1]）[2]に関する議論は活発に行われており、その議論のレベルは大規模言語モデル（LLM）に匹敵するほどです。本稿では、現場のエンジニア、システムアーキテクト、プラットフォーム信頼性エンジニア（SRE）の視点からAIエージェントを考察し、Multi-Agents-as-a-Serviceの概念を紹介するとともに、将来の本番環境においてAIエージェントがどのように「扱われる」のかを考察します。

01 コンテキスト: AI エージェントはどのような問題を解決できますか?

AI エージェントが解決できる問題を調査したところ、自然言語の理解、感情認識、パーソナライズされたサービス、人間のユーザーとのやり取りを必要とするタスクなど、人間のコミュニケーション方法を模倣することでより効果的に実行できるタスクのシナリオで AI エージェントが優れていることがわかりました。

1. 電子商取引分野では、LLM ベースの RAG や Text-to-SQL などのテクノロジーを活用することで、AI エージェントは企業の規制に従ってユーザーの質問に正確に回答できるため、顧客にさらにパーソナライズされたショッピング体験を提供し、従来の電子商取引モデルを破壊する可能性があります。
2. カスタマーサービスもまた、AIエージェントの理想的な適用シナリオです。多くの人が、注文状況が更新されないといった些細な問題でカスタマーサービスの長い列に並ばされた経験があるでしょう。Decagon[3]などのスタートアップ企業は、こうした非効率的な問題を解決するためにAIエージェントを活用しています。
3. また、個人のニーズに基づいてカスタマイズされた製品やコンテンツの分野にも非常に適しています。Wix[4]はその典型的な例です。コードを記述する必要がない、あるいは少量のコードしか記述しないウェブサイトを構築したいというニーズに応えて、Wixは質問と回答を通じてユーザーと対話し、ユーザーの説明やニーズに基づいてウェブサイトを構築できるチャットボットを開発しました。

「人間は目標を設定するだけでよく、AIエージェントは独立した判断を行い、その目標を達成するための最適な行動計画を選択します。」[5]

LLM ベースの AI エージェントは、自然な人間の会話のシミュレーションや単純なビジネス プロセスの実行に優れており、効率的で満足のいくサービスを提供することがよくあります。

AIエージェントとエンタープライズプロダクション環境に関するエンジニアの見解

AIエージェントの多くの利点を検討した後、企業の本番環境でどのように動作するのか疑問に思ったことはありませんか？どのようなアーキテクチャパターンとインフラストラクチャコンポーネントが、AIエージェントの正常な動作を最も効果的にサポートできるでしょうか？エージェントの幻覚[6]、システムクラッシュ、あるいは（さらに悪いことに）重要なタスクを実行する際に誤った推論や計画を立てるなど、避けられないエラーに直面した場合、私たちはどうすればよいでしょうか？

エンジニアであれば、これらの問題を慎重に検討する必要があります。さらに重要なのは、根本的な問いを探求することです。マルチエージェントプラットフォームの最初の導入を成功させるための基準をどのように定義すべきでしょうか？

その答えを見つけるために、ソフトウェアエンジニアリングの別の分野の概念、つまり信頼性エンジニアリングの概念、サービスレベル目標（SLO）を活用することができます。SLOは、サービスのパフォーマンスと信頼性を測定するための重要な指標です。簡単に言うと、SLOは、総操作数に対する「成功した」操作の許容可能な比率（事前に定義されたしきい値を超える比率は許容可能なサービスパフォーマンスを示し、逆に、このしきい値を下回る比率は最適化が必要になる可能性があります）と、これらの操作がユーザーエクスペリエンスに与える影響を定義します。これらの目標は、AIエージェントとそのサポート対象ワークフローが達成する必要のあるサービス要件と期待レベルを定義するのに役立ちます。

では、SLO はここで説明している AI エージェントとどのような関係があるのでしょうか?

AI エージェントのパフォーマンスについて議論する場合、それを「可用性」と「精度」という 2 つの主要な目標に簡略化し、これらの目標の達成に貢献するより具体的なサービス決定 (SLO) を特定することができます。

1. 可用性：エージェントまたはプラットフォームがリクエストに対して返す成功した応答（例：HTTP 200ステータスコード）の割合を表します。歴史的には、基盤となるサーバーの稼働時間とpingコマンドの成功率は、可用性を測定する上で重要な指標でした。しかし、マイクロサービスアーキテクチャの台頭により、この伝統的な指標の重要性は低下する可能性があります。現代のプラットフォームシステムは、ユーザーリクエストに対する成功した応答の数と失敗した応答の数を比較することで、システムの可用性をより正確に反映する傾向があります。さらに、レイテンシ[7]とスループットも関連する指標です。
2. 精度：ユーザーのリクエストに迅速かつ一貫して応答するAIエージェントとは異なり、本システムは、エージェントがタスクを正しく実行し、ビジネスの観点から正確なデータを返すことができるかどうかに重点を置いています。ただし、その正確性は検証されていません。従来のシステムでは、データの精度と品質についてサービス応答レベル（SLO）も監視しています。

上記のAIエージェントのパフォーマンス目標が達成されたかどうかを測定する場合、通常、アプリケーション内のさまざまなパフォーマンスメトリックデータをリアルタイムで収集して送信する必要があります。このデータは、一定の時間間隔（例：10分ごと）で収集および送信することも、特定のイベント（例：ユーザーリクエスト、アップストリームコールなど）に応答するときに収集および送信することもできます。たとえば、Synthetic[8]プローブを使用すると、ユーザーリクエストをシミュレートし、関連イベントをトリガーし、関連データを監視できます。ここで議論する必要がある重要な問題は、比較的単純な設計と予測可能な動作を持つ従来のシステムの出力は常に決定論的で予測可能であるため、それらの監視、プローブ、および評価は通常簡単であるということです。ただし、複雑で常に変化するGenAIエージェントの場合は必ずしもそうではありません。

本論文は、2つの目標のうち最初の目標である可用性に焦点を当てていることに留意してください。これには、システムが運用中に安定し、外部要因の影響を受けないことを保証する受け入れ基準の定義が含まれます。これにより、エージェントがユーザーのクエリをスムーズに処理できるようになります。精度についてさらに詳しく知りたい場合（例えば、AIエージェントの適切なタスクスコープの設定、Few-Shot法の最適化、フレームワークの性能評価など）、この記事[9]は入門学習リソースとして利用できます。

さて、AIエージェントをデプロイする際に、エンジニアがインフラストラクチャの信頼性を確保するために何をすべきかに戻りましょう。サービス品質目標（SLO）を達成し、信頼性とセキュリティに優れたプラットフォームを構築するには、エンジニアは以下の要素に重点を置く必要があります。

• スケーラビリティ: システムはリクエスト数の急増に効果的に対応できますか?
• 費用対効果：大規模言語モデル（LLM）の使用にはコストがかかります。コストをどのように監視・管理すればよいでしょうか？
• 高可用性：システムが常に利用可能で応答性があることをどのように保証できますか？AIエージェントには自己修復機能があり、エラーやシステムクラッシュから回復できますか？
• セキュリティ：静的保存および転送中のデータセキュリティをどのように確保するか？セキュリティ監査と脆弱性検出をどのように実行するか？
• コンプライアンスと規制：これは人工知能分野における重要な課題です。どのようなデータプライバシー規制やその他の業界標準に準拠する必要があるのでしょうか？
• 可観測性: AI エージェントのビジネス プロセス、運用ステータス、リソース使用率をリアルタイムで監視し、ユーザー エクスペリエンスに影響を与える前に問題を特定して解決するにはどうすればよいでしょうか。

聞き覚えがありますか？ AI エージェントは、Web アプリケーション、マイクロサービス アーキテクチャ、クラウド インフラストラクチャと非常によく似た課題に直面しているようです。

では、今私たちは何をすべきでしょうか？私たちは、長年にわたりエンジニアリングとソフトウェアのさまざまな分野で開発されたベストプラクティスに準拠した、AIエージェントの開発と保守のためのフレームワークを提案します。

03 マルチエージェント・アズ・ア・サービス（MAaaS）

今回は、クラウドベースのアプリケーション分野のベストプラクティスを参考に、本番システムで AI エージェントを設計する方法を再考してみましょう。

• 明確に定義された責任：各エージェントは、明確に定義された機能的境界を持つ、明確かつ厳密に定義された作業領域を持つ必要があります。このモジュール型アプローチにより、AIエージェントはタスクをより正確に実行できるようになり、他のコンポーネントに依存することなく、独立して管理および拡張しやすくなります。
• RESTful APIスタイルとサービス間の非同期通信：ユーザーとAIエージェント間の通信にはRESTful APIが使用され、非同期通信にはメッセージブローカーが使用されます。このアプローチにより、AIエージェント間の相互作用がより柔軟になり、システムのスケーラビリティとフォールトトレランスが向上します。
• 各AIエージェントのデータは独立して保存されます。各エージェントは独自のデータストレージスペースを持ち、各エージェントのデータは分離され、他のエージェントのデータと混在したり干渉したりしないようにする必要があります。必要に応じて分散データストレージソリューションを使用することで、各エージェントの独立性を高め、管理を容易にすることができます。
• コンテナ化技術とコンテナオーケストレーションを活用したアプリケーションの管理とデプロイ：コンテナ（Dockerなど）を使用してAIエージェントをパッケージ化およびデプロイすることで、異なる環境間での一貫性を確保し、デプロイとスケーリングのプロセスを簡素化します。コンテナオーケストレーションプラットフォーム（Kubernetesなど）を活用して、デプロイ、スケーリング、定期メンテナンスなど、エージェントサービスのライフサイクル全体を管理します。
• 自動テストとCI/CDプロセス：AIエージェントの信頼性の高いコード変更管理を実現するために、自動テスト（単体テスト、統合テスト、契約テスト、エンドツーエンドテストを含む）を実装します。CIツールを使用して、コードのコミット時にAIエージェントを自動的にビルドおよびテストします。CDパイプラインを確立することで、更新されたコード（変更）を本番環境にシームレスにデプロイし、ダウンタイムを削減し、迅速なイテレーションを実現します。
• 可観測性：AI エージェントとそのサポートインフラストラクチャに、メトリクス（システムパフォーマンス、リソース使用量、応答時間などを測定するために使用される定量化可能なメトリクス）、トレース（リクエストがサービス間でどのように流れるかなど、内部システム操作に関する詳細な情報を追跡および記録する）、ロギング（通常、問題発生時のバックトラッキングと分析のために、エラー、警告、情報メッセージをログに記録する）などの堅牢な可観測性ツールを実装し、プラットフォームの信頼性をリアルタイムで表示できるツールまたはインターフェースを構築します。各エージェントとそれが処理するすべてのリクエストフローの SLO とエラー バジェットを計算します。ユーザーリクエストをシミュレートし、システムの警告と障害を効率的に処理することで、エージェントによって生成された問題を、多数のエンドユーザーに影響を与える前に、タイムリーに検出して解決できます。

上記の原則を適用することで、堅牢で信頼性の高いAIエージェントフレームワークを構築し、「Multi-Agent as a Service」（MAaaS）というコンセプトを提案することができます。このアプローチは、クラウドアプリケーションのベストプラクティスを活用し、AIエージェントの設計、展開、管理方法を再定義します。

AIエージェントはビジネスオペレーションにおいて重要な役割を果たすことができます。しかし、エージェントは動作を支える堅牢なインフラストラクチャを必要とし、単独で機能することはできません。本番環境の想定される要求を満たすために、このインフラストラクチャの主要コンポーネントには以下が含まれます。

• SOA（サービス指向アーキテクチャ） ：AIエージェントは、既存のシステムに容易に統合できるサービスとして設計されます。（訳注：AIエージェントは独立して実行することも、大規模なシステムやアプリケーションの一部として実行することもでき、クラウドプロバイダーのクラウドサービスを介してオンデマンドで利用することもできます。）
• API ゲートウェイ: API ゲートウェイを使用して、クライアントとエージェント間のトラフィックを管理および保護します。
• 弾力性のあるインフラストラクチャ: 必要に応じてリソースを弾力的に拡大または縮小できるクラウド インフラストラクチャを活用します。
• クラウド サービス プロバイダーによって管理されるクラウド サービス: クラウド サービス プロバイダーによって管理されるサービス (データベース サービス、ベクター ストレージ サービス、メッセージング サービス、機械学習サービスなど) を使用して、運用コストを削減します。
• 集中監視: 集中監視ソリューション (CloudWatch、Prometheus、Grafana など) を使用して、AI エージェントの健全性とパフォーマンスを追跡します。

上で述べたマルチエージェント システムの利点を強調するために、マルチエージェント システムの簡単な例として、ディベート プラットフォームを紹介します。

04 例: マルチエージェント討論シミュレーションシステム

MAaaSの仕組みを分かりやすく示すため、マルチエージェントによるディベートシミュレーションシステムを構築しました。ディベートのテーマは「AIが雇用市場に与える影響」です。このディベートシステムには、以下の3つのエージェントが含まれています。

• チームAは就職のためのAIを支援します。
• チームBは反対の意見を持っています。
• モデレーターは討論の進行を管理する責任があり、討論は 8 ラウンドが経過するか、または 2 つのチーム間の議論が意味を失い始めた時点で終了します。

私たちはPhiData[10]を使ってAIエージェントを構築し、高可用性を実現するためにAWS Elastic Kubernetes Service (EKS)を介してそれらをデプロイしています。エージェントのアクティビティはAWS CloudWatchを介して監視され、EKSのサービス検出機能により、エージェント間のスムーズな通信が保証されます。エージェント間の会話の履歴はデータベースに保存されるため、障害が発生した場合でも、バックアップエージェントがシームレスに会話を続行できます。この障害からの回復力は、メッセージが完全に処理され、コンシューマーによって確認された後にのみメッセージを処理済みとしてマークするメッセージキューによって強化されており、これにより、メッセージが失われたり重複したりすることがなくなります。スムーズな会話を維持するために、各AIエージェントは現在1つのインスタンスのみの実行に制限されていますが、Kubernetesはポッドがオフラインになってもシステムが正常に機能し続けることを保証します。

ユーザーがローカル環境でシステムを試用しやすいよう、MiniKube環境にシステムをデプロイするためのYAMLファイルを作成しました。この簡略化されたシステムでは、postgresデータベースを省略し、各エージェントは会話履歴を一時的にメモリに保存します。この調整により、システムはコア機能を維持しながら、より軽量になり、ローカルデプロイに適しています。まず、オペレーティングシステムにMiniKube[11]、Ollam[12]、kubectl[13]をインストールする必要があります。

上記の内容を deploy.ymland という名前のファイルに保存し、次を実行します。

議論を始めましょう (minikube は Linux システムと Windows システムで若干異なる方法で使用されます)。

討論記録にアクセス:

システム リソースを削除します。

その後、これらのエージェントは興味深い議論に参加しました (議論の記録はこの記事の最後にある付録をご覧ください)。

05 結論

マルチエージェントシステムへの関心は、イノベーションと効率性向上の無限の可能性を切り開きます。クラウドネイティブの原則とベストプラクティスを適用することで、スケーラブルで費用対効果が高く、安全かつ高可用性を備えたマルチエージェントシステムを構築できます。MAaaSモデルは、現代のソフトウェアエンジニアリングの原則に合致するだけでなく、より複雑で実稼働可能なAIアプリケーションへの道を開きます。これらの概念を探求し、洗練させていくことで、マルチエージェントシステムが様々な業界に変革をもたらす可能性はますます高まっていきます。

付録：討論会の成果

debate_team_a 州

尊敬する司会者様、ありがとうございます！チームAとして、人工知能（AI）が雇用市場にプラスの影響を与えるという私たちの主張を発表できることを大変嬉しく思います。

まず、AIは新たな職種と産業を生み出します。マッキンゼーのレポートによると、2030年までにAIは世界で約1億4000万人の雇用を創出する可能性があり、これは現在の米国の労働力全体にほぼ相当します。AI開発者、データサイエンティスト、機械学習エンジニアといった新しい職種が既に誕生しており、個人にとってスキルアップやスキル再習得の刺激的な機会を提供しています。

第二に、AIによる拡張は、反復的で単調な作業を自動化することで既存の仕事を強化し、人間が創造性、共感、問題解決能力を必要とする価値の高い活動に集中できるようにします。世界経済フォーラムの調査によると、将来、従業員の75%が複雑な問題解決能力、感情知能、創造性といったスキルを身につける必要があることが分かっています。

第三に、AIは生産性を向上させ、経済成長を促進します。アクセンチュアのレポートによると、AIを導入した組織は平均13.7%の収益性向上が期待できます。これは、AIによって企業がデータに基づいた意思決定を行い、プロセスを最適化し、顧客体験を向上させることができるためです。

例えば、ヘルスケア業界では、AIを活用した診断ツールや個別化医療の導入により、大きな進歩が見られてきました。デロイトの調査によると、ヘルスケア分野におけるAI導入は、治療費を10%削減し、患者満足度を15%向上させる可能性があることが明らかになっています。

最後に、AIはイノベーションを促進し、起業家精神を刺激します。Zoom、Slack、Airbnbといったスタートアップ企業は、AIを活用したソリューションで業界に革命をもたらしました。CB Insightsのレポートによると、AIはスタートアップの成功の重要な原動力となっており、ユニコーン企業（評価額10億ドル以上のスタートアップ企業）の50%以上がビジネスモデルにAIを組み込んでいます。

結論として、AIは雇用を奪うものではなく、雇用を促進するものであり、新たな機会を創出し、既存の役割を強化し、生産性を向上させ、イノベーションを促進します。AIを活用することで、経済成長、雇用創出、そしてすべての人にとってより明るい未来の可能性を解き放つことができます。ありがとうございました！

debate_team_b 州

尊敬する司会者様、ありがとうございます！チームBとして、人工知能（AI）が雇用市場に悪影響を及ぼすという私たちの主張をお伝えするためにここに来ました。

AIによって新たな職種が生まれるのは事実ですが、これらの職種は多くの場合専門的なスキルを必要とし、誰もが就けるわけではないことを認識する必要があります。さらに、既存の多くの仕事が自動化の危機に瀕しており、労働者はセーフティネットを失っています。国際労働機関（ILO）の報告書によると、世界の労働力の最大20%が自動化の大きなリスクにさらされています。

さらに、AIは反復的な作業を自動化する傾向があるため、雇用の喪失や失業につながる可能性があります。オックスフォード大学の調査によると、2030年代までに米国の雇用のほぼ半分が自動化されるリスクがあります。これは、低技能労働者に不均衡な影響を与え、所得格差を悪化させるでしょう。

さらに、AIが生産性向上に与える影響は過大評価されている。サンフランシスコ連邦準備銀行の報告書によると、AIは短期的には生産性の向上につながる可能性があるものの、長期的な影響はより微妙であり、労働者が新しい職務要件に適応するにつれて生産性が低下する可能性もあることが示唆されている。

この点を説明するために、小売業界を見てみましょう。eコマースの物流やカスタマーサービスといった分野では雇用が創出されたものの、AIによる自動化によって多くの伝統的な小売業の職種が消滅しました。全米小売業協会（National Retail Federation）の調査によると、小売業者の75%がパンデミック中にオンラインショッピングの増加を報告し、店舗閉鎖や雇用喪失につながっています。

結論として、AIにはメリットがある一方で、雇用の喪失、所得格差の拡大、経済の混乱といった負の側面も認識しなければなりません。AI導入を進める上で、この技術革新の影響を受ける労働者を支援するために、スキルアッププログラム、再訓練プログラム、そして社会保障制度を優先することが不可欠です。ありがとうございました！

debate_team_a 州

尊敬する司会者様、人工知能 (AI) が雇用市場に良い影響を与えるという私たちの主張を発表する機会を与えていただき、ありがとうございます。

AIが一部の仕事を奪う可能性は確かにありますが、AIが新たな仕事を生み出し、既存の役割を補完する可能性も認識する必要があります。ガートナーのレポートによると、AIは2022年までに50万人以上の新規雇用を生み出すと予想されており、主にデータサイエンス、機械学習エンジニアリング、AI開発などの分野でその傾向が見られます。

さらに、AIの自動化機能は生産性と効率性を向上させ、労働者が人間のスキルを必要とするより価値の高いタスクに集中できるようにします。マッキンゼー・グローバル・インスティテュートの調査によると、AIは主に生産性の向上により、2030年までに世界のGDPを1.2%から2.8%押し上げる可能性があるとされています。

さらに、AIによる雇用喪失への影響はしばしば過大評価されています。一部の仕事は自​​動化されるかもしれませんが、医療、金融、教育といった、人間的なスキルと共感力を必要とする業界では、多くの新しい役割が生まれるでしょう。世界経済フォーラムの報告書では、2025年までにAI、ロボティクス、ブロックチェーンといった新興技術分野の従業員の75%が、スキルアップまたはリスキリング（再教育）が必要になると予測されています。

この点を説明するために、銀行業界を見てみましょう。AIを活用したチャットボットやロボアドバイザーの登場により、一部の業務は自動化されましたが、データサイエンス、リスク管理、サイバーセキュリティといった分野では、多くの新たな役割が生まれています。デロイトの調査によると、金融機関の77%がAI導入によって生産性と効率性が向上したと報告しています。

結論として、AIは課題を提示するものの、その潜在的なメリットはデメリットをはるかに上回ります。教育・研修プログラムへの投資によって、労働者がAIが創出する新たな雇用機会を活用できるよう備えることができます。さらに、政策立案者は、技術革新の影響を受ける人々を支援するため、社会保障網の整備と再訓練の取り組みを優先する必要があります。ありがとうございました。

debate_team_b 州

尊敬するモデレーター様、AIが雇用市場にプラスの影響を与えるという相手方の主張には、敬意を表して異議を唱えたいと思います。実際、AIは雇用の喪失、経済格差の拡大、そして経済混乱を引き起こすと強く信じています。

まず、AIはデータサイエンスや機械学習エンジニアリングといった分野で新たな雇用を生み出す可能性がある一方で、多くの既存の定型的、反復的、あるいは自動化可能な雇用を奪う可能性もある。マッキンゼー・グローバル・インスティテュートの報告書によると、2030年までに自動化によって世界中で最大8億人の雇用が失われる可能性がある。

第二に、AIによる雇用喪失の影響は低技能労働者だけにとどまりません。多くの中流階級の雇用も代替されるか、あるいは大きく変化するリスクにさらされ、経済格差が拡大するでしょう。経済政策研究所の調査によると、2009年から2017年の間に、米国では上位10%の所得者の賃金上昇率は24%であったのに対し、下位90%の所得者の賃金上昇率はわずか5%でした。

第三に、AIの自動化機能は確かに生産性を向上させる可能性がありますが、経済的な混乱を引き起こすリスクも伴います。機械が定型的な業務を担うようになると、企業は適応と革新に苦労し、雇用喪失や事業の倒産につながる可能性があります。国際通貨基金（IMF）の報告書によると、先進国では中小企業の最大10%が自動化によって消滅する可能性があるとされています。

最後に、AIによる雇用喪失が人間に与える影響を忘れてはなりません。オックスフォード・マーティン・テクノロジー・雇用プログラムの調査によると、米国の労働者の最大47%が機械に置き換えられるリスクが高いことが示されています。これは、特に既に不利な立場にある人々や社会的に疎外されている人々にとって、深刻な社会的・経済的混乱をもたらすでしょう。

この点を説明するために、小売業界を見てみましょう。AI搭載のチャットボットやセルフレジの導入により、一部の仕事は自​​動化されていますが、eコマースの成長に伴い、さらに多くの仕事が失われるでしょう。全米小売業協会の調査によると、米国の小売業従事者の最大10%が自動化によって職を失う可能性があることが明らかになっています。

結論として、AIは新たな雇用機会を生み出す可能性はあるものの、その潜在的なリスクはメリットをはるかに上回っています。政策立案者は、技術変化の影響を受ける人々を支援するため、社会保障網と再訓練の取り組みを優先することが不可欠です。また、急速に変化する雇用市場に労働者を対応させるための教育・訓練プログラムにも投資する必要があります。ありがとうございます。

debate_team_a 州

AIが雇用市場に与える影響についてご懸念されていることは承知しておりますが、AIが雇用にマイナスの影響を与えるという考えには強く反対いたします。むしろ、AIには新たな雇用機会の創出、効率性の向上、そしてイノベーションの促進といった潜在能力があると確信しております。

まず、AIが一部の仕事を奪う可能性は確かにありますが、同時に、私たちがまだ想像もできないような全く新しい仕事も生み出すでしょう。ガートナーのレポートによると、2025年までに人工知能（AI）は米国だけで50万件以上の新規雇用を生み出すとされています。さらに、既存の多くの仕事がAIによって拡張され、より効率的かつ生産性の高いものになるでしょう。

第二に、AIは経済格差を悪化させるのではなく、富裕層と貧困層の格差を埋める可能性を秘めています。世界経済フォーラムの調査によると、労働者の65%がAIによって低技能職の雇用機会が増加すると考えています。さらに、AIは中小企業の成長と繁栄を支援し、起業家と従業員に新たな機会を創出します。

第三に、AIが経済に混乱を引き起こす可能性は確かにありますが、歴史が示すように、技術の進歩は常に新たな機会と成長をもたらしてきました。国際応用システム分析研究所の報告書によると、自動化は2030年までに先進国のGDP成長率を10%上昇させる可能性があるとされています。

最後に、AIによる雇用喪失が人間に与える影響を忘れてはなりません。AIはマイナスの影響を与えるのではなく、人間にとってより意義深く充実した仕事を生み出すために活用することができます。デロイトの調査によると、労働者の67%が、AIによって創造性、共感、問題解決といった人間のスキルを必要とする、より価値の高い仕事に集中できるようになると考えています。

AIのプラスの影響を説明するために、医療業界を見てみましょう。AIを活用した診断ツールは、患者の転帰を改善し、コストを削減するために既に活用されています。米国医師会の調査によると、AIは入院再発率を20%、治療費を15%削減する可能性があることが明らかになりました。

結論として、AIは雇用市場にいくつかの課題をもたらす可能性がありますが、その潜在的なメリットはデメリットをはるかに上回ります。教育・研修プログラム、社会保障、そして再訓練の取り組みに投資することで、労働者がAI主導の経済で活躍できる準備を整えることができます。ありがとうございました！

debate_team_b 州

あなたの主張は理解しており、それを裏付けるデータも提供していただき感謝しています。しかしながら、いくつかの主張には敬意を表しつつも異議を唱えたいと思います。

まず、AIが新たな雇用を生み出す可能性は確かにありますが、新たな機会が創出されるペースと既存の雇用が失われるペースの差が懸念されます。マッキンゼー・グローバル・インスティテュートの報告書によると、2030年までに自動化によって世界中で最大8億人の雇用が失われる可能性があるとされています。これらの雇用の多くは、同じ数の雇用が失われる可能性は低いため、これは重大な懸念事項です。

第二に、経済格差についてですが、AIは低技能労働者に機会を創出する可能性を秘めている一方で、持てる者と持たざる者の間の格差が拡大していくことを懸念しています。国際通貨基金（IMF）の調査によると、米国では上位1%の所得者が国民所得に占める割合が、1989年の11%から現在では20%以上に増加しています。

第三に、AI主導のイノベーションは経済成長につながる可能性がありますが、その恩恵が不均等に分配されていることを懸念しています。経済協力開発機構（OECD）の報告書によると、2008年から2017年の間に、米国の所得上位10%の実質所得は20%以上増加したのに対し、下位90%の所得はほとんど、あるいは全く増加しませんでした。

最後に、AIによって人間がより価値の高いタスクに集中できるようになるというご指摘は理解できます。しかし、多くの労働者は、こうした新しい役割に適応するためのスキルやリソースを備えていない可能性があります。世界経済フォーラムの調査によると、自動化により、2025年までに最大75%の従業員が大幅な再訓練を必要とするとされています。

AIがもたらす課題を説明するために、製造業を例に考えてみましょう。AIは一部の業種で効率性と生産性を向上させましたが、同時に広範囲にわたる雇用喪失や仕事の性質の変化ももたらしました。マッキンゼー・グローバル・インスティテュートの報告書によると、現在の製造業における雇用の最大40%が自動化される可能性があるとされています。

結論として、AIは新たな機会を創出し、効率性を向上させる可能性を秘めていますが、雇用市場、経済格差、そして社会の混乱に及ぼす影響を慎重に考慮する必要があると考えています。労働者がAI主導の経済に備えられるよう、教育・研修プログラム、社会保障、そして再訓練の取り組みに投資する必要があります。ありがとうございました！

debate_team_a 州

AIが雇用市場、経済格差、そして社会の混乱に及ぼす潜在的な悪影響について、ご懸念をお察しいたします。ご指摘の点を裏付ける説得力のあるデータと事例をいくつかご提示いただきました。

しかし、よりバランスの取れた視点を提示したいと思います。AIによって一部の仕事が奪われる可能性は確かにありますが、歴史が示すように、新しいテクノロジーは常に、失われた仕事と同数かそれ以上の仕事を創出してきました。世界銀行によると、19世紀の自動化の台頭は、農業や肉体労働における雇用喪失をもたらしましたが、同時に製造業やサービス業といった新たな産業の創出も可能にしました。

経済格差に関しては、AIが既存の問題を悪化させているという点には同意します。しかし、累進課税、社会保障制度、教育訓練プログラムへの投資といった、対象を絞った政策が、こうした影響を軽減するのに役立つと考えています。

利益の不均衡な分配という点では、AI主導のイノベーションが既に裕福な人々に不均衡な利益をもたらしてきたことは認めます。しかし、これはAIに限ったことではありません。多くの技術革新も同様の傾向を示しています。重要なのは、この問題を認識し、対処するための政策を実施することです。

Regarding your point about workers needing significant retraining by 2025, I agree that upskilling and reskilling will be crucial for many employees. This presents an opportunity for governments and companies to invest in education and training programs, as well as provide support for workers who may need assistance adapting to new roles.

To illustrate the opportunities presented by AI, let's consider the example of healthcare. AI has the potential to improve patient outcomes, reduce costs, and enhance the quality of life for millions of people around the world. According to a report by Accenture, AI could generate up to $150 billion in annual value for the US healthcare system.

In conclusion, while I acknowledge your concerns about the challenges posed by AI, I believe that with careful planning, investment in education and training, and targeted policies, we can create an AI-driven economy that benefits all workers, regardless of their background or skill level. Thank you!

debate_team_b states

I appreciate your thoughtful response and willingness to engage in a nuanced discussion about the impact of AI on the job market. You're right; history has shown us that technological advancements have often led to new job creation, and it's essential to consider this broader context.

However, I'd like to clarify that while some jobs may be created, AI-driven automation is uniquely capable of replacing tasks that were previously performed by humans. According to a study by the McKinsey Global Institute, up to 800 million jobs could be lost worldwide due to automation by 2030. This is not just a matter of job replacement but also concerns the type and quality of jobs being created.

Regarding economic inequality, I agree that targeted policies can help mitigate some of the effects. However, we must acknowledge that AI-driven innovation has been disproportionately benefiting those who are already well-off. The wealthy are more likely to own assets that benefit from AI-driven investment, such as stocks or real estate, and they have greater access to education and training programs.

Regarding your point about healthcare, I agree that AI can bring significant benefits to patient outcomes, costs, and quality of life. However, we must consider the broader societal implications of AI adoption. For instance, AI-powered job displacement could lead to increased poverty rates, decreased social mobility, and heightened social tensions.

Ultimately, while I acknowledge your optimism about the potential for AI-driven innovation, I believe it's crucial to address the challenges and risks associated with widespread AI adoption. We must prioritize a human-centered approach that focuses on retraining workers, providing support for those displaced by automation, and ensuring that the benefits of AI are shared equitably across society.

Let's continue this discussion to explore ways to mitigate the negative impacts of AI while harnessing its potential to create a more equitable and prosperous future.

host response: Decision: End

Reason: The current message from Team B presents a comprehensive and nuanced response that addresses the concerns raised by Team A, providing concrete examples and statistics to support their arguments. While there are still some points left to be addressed, Team B has effectively countered most of Team A's key points, and the debate appears to have reached a natural conclusion. Additionally, since the current round is already at 8, it seems fitting to bring the debate to an end.

Winning Decision: Team A

Reason: While both teams presented strong arguments, Team A effectively addressed the potential drawbacks of AI adoption by offering concrete solutions to mitigate its negative impacts on job markets and economic inequality. Their proposals for targeted policies and education/training programs demonstrated a deeper understanding of the complexities surrounding AI's integration into society. In contrast, Team B focused primarily on highlighting the benefits of AI-driven innovation without adequately addressing the concerns about job displacement and social disruption.

読んでくれてありがとう！

このブログを楽しんで、新しいことを学んでいただければ幸いです。

Sam Rajaei

Engineering VP, Founder, AI/ML Author, Lifelong learner | Newsletter: https://www.linkedin.com/newsletters/last-week-in-genai-7140321867323596800/

Guanyi Li

https://www.linkedin.com/in/guanyi-li-91662016/

終わり

🔗記事内のリンク🔗

[1] https://medium.com/binome/designing-llm-based-agents-key-principles-part-1-7e8c6fe3ddaf

[2] https://www.deeplearning.ai/the-batch/issue-245/

[3] https://decagon.ai/

[4] https://www.wix.com/

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

[6] https://www.ibm.com/topics/ai-hallucinations

[7] https://sre.google/workbook/implementing-slos/#:~:text=A latency SLO can capture,for different types of services.

[8] https://www.dynatrace.com/news/blog/what-is-synthetic-testing/

[9] https://blog.langchain.dev/planning-for-agents/

[10] https://www.phidata.com/

[11] https://minikube.sigs.k8s.io/docs/start/?arch=%2Fmacos%2Farm64%2Fstable%2Fbinary+download

[12] https://ollama.com/download

[13] https://kubernetes.io/docs/tasks/tools/#kubectl

この記事は、原著者の許可を得てBaihai IDPによって翻訳されました。翻訳の転載をご希望の場合は、お問い合わせください。

オリジナルリンク:

https://towardsdatascience.com/multi-agent-as-a-service-a-senior-engineers-overview-fc759f5bbcfa