Agents d'IA: com s'estan preparant per explotar la capa de processos empresarials

Quan la gent pensa en la intel·ligència artificial generativa, molts pensen que funciona com a part d'un "sistema de compromís": un agent d'atenció al client, una eina de gestió de la cadena de subministrament o una manera d'interactuar i cercar de manera intel·ligent els PDF i altres dades de propietat d'una organització.

Aquesta és una visió precisa: per als propers anys o dos, aplicacions que creen contingut de manera intel·ligent aprofitant grans models de llenguatge (LLM) seguirà sent un focus d'IA principal per a les empreses.

Però tingueu en compte això: la majoria del codi escrit a les empreses es troba dins dels processos empresarials: sistemes com la planificació d'inventaris, que es troben entre la capa de compromís i els sistemes de registre més rígids (dades d'una organització, etc.) Com beneficiarà GenAI aquesta capa? Com pot una organització millorar els seus processos de negoci amb aquesta tecnologia generalitzada?

La IA agentica és la resposta. Tot i que els agents d'IA estan creats per fer tasques específiques o automatitzar tasques específiques, sovint repetitives (com ara actualitzar el vostre calendari), generalment requereixen aportacions humanes. Agentic AI es basa en l'autonomia (penseu en cotxes autònoms), que empra un sistema d'agents per adaptar-se constantment a entorns dinàmics i crear, executar i optimitzar resultats de manera independent.

Quan la intel·ligència artificial s'aplica als fluxos de treball de processos empresarials, pot substituir processos empresarials fràgils i estàtics per sistemes d'automatització dinàmics i conscients del context.

Vegem per què la integració d'agents d'IA a les arquitectures empresarials marca un salt transformador en la manera com les organitzacions aborden l'automatització i els processos empresarials, i quin tipus de plataforma es necessita per donar suport a aquests sistemes d'automatització.

Què estan fent els agents ara

Quan proporcioneu un context a un agent, l'agent envia aquest context a un LLM i li demana que el completi i hi respongui. Els agents d'IA també poden utilitzar les capacitats per completar tasques en nom dels usuaris. Aquests agents d'IA poden realitzar diverses funcions clau guiades per instruccions i informació derivades del context:

Ús de l'eina: l'agent utilitza funcions externes, API o eines per ampliar les seves capacitats i realitzar tasques específiques. Això pot incloure la crida a funcions predefinides o la interfície amb serveis externs (com fer sol·licituds web mitjançant cURL o accedir a API RESTful) per obtenir context o executar accions més enllà de les seves funcionalitats inherents.

Presa de decisions: l'agent avalua la informació disponible i selecciona l'acció més adequada per assolir els seus objectius. Això implica analitzar el context, ponderar els possibles resultats i triar un curs d'acció que s'alinea amb els objectius desitjats.

Planificació: l'agent formula una seqüència d'accions o estratègies per aconseguir un objectiu específic.

Raonament: l'agent analitza el context disponible, treu conclusions, prediu els resultats de les accions i pren decisions informades sobre els passos òptims a seguir per aconseguir el resultat desitjat.

Aquests últims tipus de funcions (presa de decisions, planificació i raonament) sovint impliquen que múltiples agents treballen junts per aconseguir un objectiu. Els agents podrien buscar perfeccionar el codi generat per a la correcció, debatre si una decisió agentica està esbiaixada o planificar l'ús d'altres capacitats agentiques per completar una tasca.

Orquestració d'una xarxa d'agents

Els models que alimenten les xarxes d'agents són essencialment funcions sense estat que prenen el context com a entrada i sortida com a resposta, de manera que cal algun tipus de marc per orquestrar-los. Part d'aquesta orquestració podrien ser simples refinaments (el model demana més informació). Això pot semblar anàleg generació augmentada amb recuperació (RAG) – i hauria de ser, perquè RAG és essencialment una forma simplificada d'arquitectura d'agents: proporciona al model una única eina que obté informació addicional, sovint d'una base de dades vectorial.

Però els marcs de model multiagents porten això més enllà; Intervenen sol·licituds d'informació addicional o proporcionen una resposta que està dissenyada per ser enviada a un altre agent per millorar-les.

Un agent podria, per exemple, escriure una mica de Python, mentre que un altre després el revisa. O un agent podria expressar un objectiu o una idea, i després la feina d'un segon agent podria ser dividir-ho en un conjunt de tasques o revisar la idea per trobar problemes que el primer agent pugui revisar i, a continuació, refinar la idea. Els teus resultats comencen a millorar i millorar.

D'acord, però com puc crear una intel·ligència artificial agent?

En un futur proper, molts enginyers de programari es convertiran en autors de processos agents. Construiran aquests processos barrejant i combinant components: models, aportacions dels usuaris, objectius i serveis empresarials crítics.

Un exemple d'un d'aquests components és l'estoc en un sistema de gestió d'inventaris. Què passaria si connectés aquest sistema a un agent que pugui ajudar a optimitzar els nivells d'inventari durant la temporada de vacances? Amb l'ajuda d'un altre agent que hagi realitzat una anàlisi històrica del nivell d'inventari, podeu assegurar-vos que hi ha prou inventari per satisfer la demanda estacional, però deixar poc inventari després de la pressa de vacances.

Això podria decebre els fervents compradors de rebaixes després de Nadal, però també ajudaria a evitar que els minoristes venguessin les seves mercaderies amb pèrdues.

Però, com construiran els desenvolupadors aquests sistemes?

Els processos agentics, per descomptat, es poden expressar amb codi, però també ajuda a visualitzar-los com a "fluxos agents": la sortida d'un agent es converteix en l'entrada d'un altre agent, i així successivament. Les eines disponibles ara ja aporten un gran valor en aquest esforç per simplificar la construcció de sistemes agents. Una d'aquestes solucions és Langflow , un creador visual de codi baix per crear aplicacions d'IA agíferes i fluxos de treball complexos d'IA arrossegant i deixant anar diferents components, sense necessitat de molta codificació.

Langflow permet als desenvolupadors definir qualsevol cosa com a eina, inclosos components com un indicador, una font de dades, un model, API, eines o qualsevol altre agent. Recentment hem vist una demanda important per crear "fluxos" amb agents, ja que els desenvolupadors estan creant moltes aplicacions que inclouen diverses capacitats multiagent: Els agents són el tipus de component més popular que els desenvolupadors estan inserint als fluxos amb Langflow.

Conclusió: de copilot a pilot

Els fluxos de treball d'agents reuneixen dades empresarials, IA i API, formant sistemes d'automatització que permeten als experts del domini escalar les seves habilitats i fer que les empreses funcionin millor mitjançant la IA. La integració d'agents d'IA a les arquitectures empresarials suposa un gran salt en com les organitzacions aborden l'automatització i els processos empresarials.

Aquests agents, apoderats per LLM i marcs d'agent, transcendeixen els límits tradicionals al funcionar de manera perfecta en processos, fluxos de treball i codi.

L'adopció de fluxos de treball agents promet millorar l'eficiència, l'escalabilitat i la capacitat de resposta a les operacions empresarials. Gestionaran fluxos de treball sencers, gestionaran tasques complexes amb una major adaptabilitat i milloraran les experiències dels clients proporcionant interaccions més personalitzades i oportunes. A mesura que l'automatització s'incorpori als sistemes empresarials, els copilots d'IA passaran a ser pilots, i les organitzacions que utilitzen IA agent estaran millor posicionades per innovar, competir i oferir valor.

Per obtenir més detalls sobre l'IA agentic, llegiu el document blanc gratuït, " Sistemes d'automatització: el futur de l'arquitectura empresarial és agent. ” I fes una ullada aquesta pàgina per obtenir més informació sobre Langflow .

Escrit per Ed Anuff, director de producte de DataStax