AI-agenter: Sådan bliver de klar til at sprænge forretningsproceslaget

Når folk tænker på generativ AI, forestiller mange sig, at det fungerer som en del af et "system of engagement" - en kundeserviceagent, et forsyningskædestyringsværktøj eller en måde at interagere intelligent med og søge i en organisations PDF'er og andre proprietære data.

Det er en nøjagtig visning – for det næste år eller to, applikationer, der intelligent skaber indhold ved udnyttelse af store sprogmodeller (LLM'er) vil forblive et primært AI-fokus for virksomheder.

Men overvej dette: Det meste af den kode, der er skrevet hos virksomheder, findes i forretningsprocesser - systemer som lagerplanlægning, der sidder mellem engagementslaget og de mere rigide registreringssystemer (en organisations data osv.) Hvordan vil GenAI gavne dette lag? Hvordan kan en organisation forbedre sine forretningsprocesser med denne gennemgående teknologi?

Agentisk AI er svaret. Mens AI-agenter er bygget til at udføre specifikke opgaver eller automatisere specifikke, ofte gentagne opgaver (som opdatering af din kalender), kræver de generelt menneskelige input. Agentic AI handler om autonomi (tænk selvkørende biler), ved at anvende et system af agenter til konstant at tilpasse sig dynamiske miljøer og selvstændigt skabe, eksekvere og optimere resultater.

Når agent AI anvendes på arbejdsgange i forretningsprocesser, kan det erstatte skrøbelige, statiske forretningsprocesser med dynamiske, kontekstbevidste automatiseringssystemer.

Lad os tage et kig på, hvorfor integration af AI-agenter i virksomhedsarkitekturer markerer et transformativt spring i den måde, organisationer griber automatisering og forretningsprocesser an, og hvilken slags platform der kræves for at understøtte disse automatiseringssystemer.

Hvad agenter laver nu

Når du giver en agent kontekst, sender agenten derefter denne kontekst til en LLM og beder den om at fuldføre og svare på den. AI-agenter kan også bruge funktioner til at udføre opgaver på vegne af brugere. Disse AI-agenter kan udføre flere nøglefunktioner styret af instruktioner og information afledt af kontekst:

Værktøjsbrug — Agenten bruger eksterne funktioner, API'er eller værktøjer til at udvide sine muligheder og udføre specifikke opgaver. Dette kan omfatte opkald af foruddefinerede funktioner eller grænseflader med eksterne tjenester (som at lave webanmodninger ved hjælp af cURL eller adgang til RESTful API'er) for at opnå kontekst eller udføre handlinger ud over dets iboende funktionaliteter.

Beslutningstagning — Agenten vurderer tilgængelig information og vælger den mest passende handling for at nå sine mål. Dette involverer analyse af kontekst, afvejning af mulige resultater og valg af handlingsforløb, der stemmer overens med de ønskede mål.

Planlægning — Agenten formulerer en række handlinger eller strategier for at opnå et specifikt mål.

Begrundelse - Agenten analyserer den tilgængelige kontekst, drager konklusioner, forudsiger resultater af handlinger og træffer informerede beslutninger om de optimale skridt at tage for at nå det ønskede resultat.

Disse sidstnævnte slags funktioner - beslutningstagning, planlægning og ræsonnement - involverer ofte flere agenter, der arbejder sammen mod et mål. Agenterne kunne forsøge at forfine den genererede kode for korrekthed, diskutere, om en agentbeslutning er forudindtaget, eller planlægge brugen af andre agentegenskaber til at fuldføre en opgave.

Orkestrering af et agentnetværk

Modeller, der driver netværk af agenter, er i det væsentlige statsløse funktioner, der tager kontekst som input og output et svar, så en form for ramme er nødvendig for at orkestrere dem. En del af den orkestrering kunne være simple justeringer (modellen anmoder om mere information). Dette lyder måske analogt med retrieval-augmented generation (RAG) – og det burde det, fordi RAG i bund og grund er en forenklet form for agentarkitektur: Den giver modellen et enkelt værktøj, der får den yderligere information, ofte fra en vektordatabase.

Men multiagentiske modelrammer tager dette videre; de mægler forespørgsler om yderligere oplysninger eller giver et svar, der er designet til at blive sendt til en anden agent for forbedringer.

En agent kunne f.eks. skrive noget Python, mens en anden så anmelder det. Eller en agent kunne udtrykke et mål eller en idé, og så kunne en anden agents opgave være at dele det op i et sæt opgaver eller gennemgå ideen for at finde problemer, som den første agent kan gennemgå, og derefter forfine ideen. Dine resultater begynder at blive bedre og bedre.

OK, men hvordan bygger jeg Agentic AI?

I den nærmeste fremtid vil en masse softwareingeniører blive agentiske procesforfattere. De bygger disse processer ved at blande og matche komponenter: modeller, brugerinput, mål – og kritiske forretningstjenester.

Et eksempel på en af disse komponenter er lagerbeholdningen i et lagerstyringssystem. Hvad hvis du sluttede det system til en agent, der kunne hjælpe med at optimere lagerniveauerne i feriesæsonen? Ved hjælp af en anden agent, der har lavet en historisk beholdningsniveauanalyse, kan du sikre dig, at der er lige nok beholdning til at imødekomme den sæsonbestemte efterspørgsel og alligevel efterlade lidt beholdning efter juletravlheden.

Dette kan måske skuffe ivrige efter-juleudsalgskøbere, men det vil også hjælpe med at forhindre detailhandlere i at sælge deres varer med tab.

Men hvordan vil udviklere bygge disse systemer?

Agentprocesser kan selvfølgelig udtrykkes med kode, men det hjælper også at visualisere dem som ”agentiske flows” – en agents output bliver input fra en anden agent, og så videre. Værktøjer, der er tilgængelige nu, giver allerede en masse værdi i denne indsats for at forenkle bygningsagentsystemer. En sådan løsning er Langflow , en visuel lavkode-builder til at skabe agentiske AI-applikationer og komplekse AI-arbejdsgange ved at trække og slippe forskellige komponenter uden behov for meget kodning.

Langflow gør det muligt for udviklere at definere alt som et værktøj, inklusive komponenter som en prompt, datakilde, model, API'er, værktøjer eller andre agenter. Vi har for nylig set en betydelig efterspørgsel efter opbygning af "flows" med agenter, da udviklere skaber en masse applikationer, der inkluderer flere multiagent-kapaciteter: Agenter er den mest populære type komponent, som udviklere indsætter i flows med Langflow.

Afslutning: Fra andenpilot til pilot

Agentiske arbejdsgange samler virksomhedsdata, AI og API'er og danner automatiseringssystemer, der giver domæneeksperter mulighed for at skalere deres evner og få virksomheder til at arbejde bedre gennem AI. At integrere AI-agenter i virksomhedsarkitekturer markerer et stort spring i, hvordan organisationer griber automatisering og forretningsprocesser an.

Disse agenter, bemyndiget af LLM'er og agentiske rammer, overskrider traditionelle grænser ved problemfrit at operere på tværs af processer, arbejdsgange og kode.

Vedtagelse af agentiske arbejdsgange lover at forbedre effektiviteten, skalerbarheden og lydhørheden på tværs af forretningsdriften. De vil administrere hele arbejdsgange, håndtere komplekse opgaver med større tilpasningsevne og forbedre kundeoplevelsen ved at levere mere personlige og rettidige interaktioner. Efterhånden som automatisering bliver indlejret i virksomhedssystemer, vil AI-copiloter opgradere til piloter, og organisationer, der anvender agent AI, vil være bedre positioneret til at innovere, konkurrere og levere værdi.

For flere detaljer om agent AI, læs den gratis hvidbog, " Automatiseringssystemer: Fremtiden for virksomhedsarkitektur er agent. "Og tjek ud denne side for at lære mere om Langflow .

Skrevet af Ed Anuff, Chief Product Officer, DataStax