AI Agent
AIエージェントの世界を探求します。これらの自律システムがUltralytics YOLO26を使用して、リアルタイムで複雑なタスクを解決するためにどのように知覚、推論、行動するかを学びましょう。
AI Agentとは、環境を認識し、複雑なロジックを推論して意思決定を行い、定義された目標を達成するために特定の行動をとることができる自律型システムです。入力を受動的に処理して出力を生成する静的なmachine learningモデルとは異なり、エージェントは継続的なワークフローの中で動的に動作します。これらのシステムはartificial intelligenceの「アクティブ」なレイヤーを形成し、デジタルの予測と現実世界での実行との間のギャップを埋めるものです。メモリと適応的な学習を活用することで、エージェントはソフトウェアの自動化から物理的なナビゲーションに至るまでのタスクを、常に人間が介入することなく処理できます。
Link to this section知覚・推論・行動ループ#
AIエージェントの機能は、知覚・行動ループ（Perception-Action Loop）としばしば表現される周期的なプロセスに依存しています。このアーキテクチャにより、エージェントは周囲の環境と有意義に対話できるようになります。
-
知覚（センシング）： エージェントは世界から情報を収集します。computer visionアプリケーションにおいて、エージェントはカメラを「目」として使用します。これにはYOLO26のような高速モデルを採用してobject detectionやセグメンテーションを行い、生ピクセルを構造化データに変換します。
-
推論（思考）： エージェントは認識したデータを目的と照らし合わせて処理します。この段階では、意味論的な理解のためにLarge Language Models (LLMs)が統合されたり、意思決定戦略を最適化するためにreinforcement learningアルゴリズムが組み込まれたりすることが一般的です。高度なエージェントは、チェスプレイヤーが未来の手を読むように、複数のステップを先読みして計画を立てることができます。
-
行動（実行）： エージェントは推論に基づいてタスクを実行します。これはデータベースのクエリやアラートの送信といったデジタル的な行動である場合もあれば、roboticsにおけるロボットアームがコンベアベルトから特定のアイテムを掴むといった物理的な行動である場合もあります。
Link to this sectionAIエージェントとAIモデルの違い#
エージェントとモデルはテクノロジースタックにおいて異なる役割を果たすため、両者を区別することが重要です。
- AIモデル： モデルは、パターンを認識するようにトレーニングされたneural networkのような数学的エンジンです。これは予測（例：「これは車です」）を提供するツールであり、それ自体が自発的に行動することはありません。
- AIエージェント： エージェントは、モデルをツールとして「使用する」包括的なシステムです。エージェントには、変化を開始する能力である「主体性（Agency）」が備わっています。例えば、モデルが赤信号を識別する一方で、エージェントはブレーキをかけることを決定します。
Link to this section実社会での応用#
AIエージェントは、認知的柔軟性を必要とするワークフローを自動化することで、産業を変革しています。
- スマートマニュファクチャリング： industrial automationにおいて、視覚的なエージェントが生産ラインを監視します。quality control systemによって欠陥が特定されると、エージェントは自律的に機械を停止させてインシデントを記録し、無駄を防ぐことができます。
- 自律型ロジスティクス： 倉庫では、在庫管理のためにエージェント的なロボットが活用されています。これらのエージェントは、SLAM (Simultaneous Localization and Mapping)とビジョンモデルを使用して動的な環境内を移動し、パッケージを効率的に特定、ピックアップ、搬送します。
Link to this sectionシンプルなビジョンエージェントの構築#
開発者は、知覚モデルと条件ロジックを組み合わせることで基本的なエージェントを構築できます。以下のPythonの例では、ultralyticsパッケージを使用したシンプルな「セキュリティエージェント」を示しています。このエージェントは人を検出し、モデルの信頼度に基づいてアラートをトリガーするかどうかを判断します。
from ultralytics import YOLO
# Load the YOLO26 model (The Agent's Perception)
model = YOLO("yolo26n.pt")
# 1. Perceive: The agent analyzes an image
results = model("bus.jpg")
# 2. Reason & 3. Act: Decision logic based on perception
for result in results:
# Check if a 'person' (class 0) is detected with high confidence
if 0 in result.boxes.cls and result.boxes.conf.max() > 0.5:
print("ACTION: Person detected! Initiating security protocol.")
else:
print("ACTION: Area clear. Continuing surveillance.")Link to this section関連概念#
- Edge AI： リアルタイムで反応するために、エージェントはNVIDIA Jetsonのようなハードウェア上でローカルに実行されることが多く、クラウドではなくソース側でデータを処理することでレイテンシを最小限に抑えます。
- Artificial General Intelligence (AGI)： 現在のエージェントは特化型（Narrow AI）ですが、AGIは人間ができるあらゆる知的タスクを実行できる仮説上のエージェントを指します。
- Generative AI： 現代のエージェントはGenAIを頻繁に使用して動的な応答やコードを作成し、ワークフローの一部としてコンテンツを生成できるアシスタントとして機能します。
エージェントの基盤となるモデルをトレーニングしたい場合、Ultralytics Platformはデータセットのアノテーションやトレーニング実行の管理を行うための合理化された環境を提供します。エージェントのアーキテクチャに関するさらなる詳細な学習には、Stanford HAIやDeepMindなどの組織による研究資料を参照してください。
