AI エージェント: ビジネス プロセス層を爆破する準備

生成 AI について考えるとき、多くの人はそれが「エンゲージメント システム」の一部として機能することを思い浮かべます。つまり、顧客サービス エージェント、サプライ チェーン管理ツール、または組織の PDF やその他の独自データとインテリジェントにやり取りして検索する方法です。

それは正しい見方です。今後1、2年は、コンテンツをインテリジェントに作成するアプリケーションが大規模言語モデル（LLM）を活用する企業にとって AI の主な焦点であり続けるでしょう。

しかし、次の点を考慮してください。企業で記述されるコードのほとんどは、ビジネス プロセス (エンゲージメント レイヤーとより厳格な記録システム (組織のデータなど) の間にある在庫計画などのシステム) 内にあります。GenAI はそのレイヤーにどのようなメリットをもたらすのでしょうか。組織は、この普及したテクノロジーを使用してビジネス プロセスをどのように改善できるのでしょうか。

エージェント AI がその答えです。AI エージェントは特定のタスクを実行したり、特定の繰り返しタスク (カレンダーの更新など) を自動化したりするために構築されていますが、通常は人間の入力が必要です。エージェント AI は自律性を重視しており (自動運転車を考えてみてください)、エージェントのシステムを採用して動的な環境に常に適応し、結果を独立して作成、実行、最適化します。

エージェント AI をビジネス プロセス ワークフローに適用すると、脆弱で静的なビジネス プロセスを、動的でコンテキストを認識する自動化システムに置き換えることができます。

AI エージェントをエンタープライズ アーキテクチャに統合することが、組織が自動化とビジネス プロセスに取り組む方法に大きな変革をもたらす理由と、これらの自動化システムをサポートするためにどのようなプラットフォームが必要なのかを見てみましょう。

エージェントが今やっていること

エージェントにコンテキストを提供すると、エージェントはそのコンテキストを LLM に送り、完了して応答するように要求します。AI エージェントは、ユーザーに代わってタスクを完了する機能を使用することもできます。これらの AI エージェントは、コンテキストから得られた指示と情報に基づいて、いくつかの重要な機能を実行できます。

ツールの使用 - エージェントは外部関数、API、またはツールを使用して機能を拡張し、特定のタスクを実行します。これには、定義済み関数の呼び出しや外部サービスとのインターフェイス（cURL を使用して Web リクエストを作成したり、RESTful API にアクセスしたりするなど）が含まれ、コンテキストを取得したり、本来の機能を超えたアクションを実行したりします。

意思決定 —エージェントは利用可能な情報を評価し、目標を達成するために最も適切なアクションを選択します。これには、コンテキストの分析、考えられる結果の検討、および目的に合った行動方針の選択が含まれます。

計画 —エージェントは特定の目標を達成するための一連のアクションまたは戦略を策定します。

推論 —エージェントは利用可能なコンテキストを分析し、結論を導き出し、アクションの結果を予測し、望ましい結果を達成するために取るべき最適な手順について情報に基づいた決定を下します。

後者の機能 (意思決定、計画、推論) では、多くの場合、複数のエージェントが目標に向かって連携して作業します。エージェントは、生成されたコードの正確性を改善したり、エージェントの決定に偏りがあるかどうかを議論したり、タスクを完了するために他のエージェント機能の使用を計画したりすることができます。

エージェントネットワークの編成

エージェントのネットワークを動かすモデルは、本質的にはコンテキストを入力として受け取り、応答を出力するステートレスな関数であるため、それらをオーケストレーションするには何らかのフレームワークが必要です。そのオーケストレーションの一部は、単純な改良（モデルがより多くの情報を要求する）である可能性があります。これは、 検索拡張生成 (RAG) – そして、それは当然のことです。なぜなら、RAG は本質的にエージェント アーキテクチャの簡略化された形式だからです。つまり、モデルに、多くの場合ベクター データベースから追加情報を取得する単一のツールを提供します。

しかし、マルチエージェント モデル フレームワークはこれをさらに進め、追加情報の要求を仲介したり、改良のために別のエージェントに渡すように設計された応答を提供したりします。

たとえば、1 つのエージェントが Python を記述し、別のエージェントがそれをレビューします。または、1 つのエージェントが目標またはアイデアを表現し、2 番目のエージェントがそれを一連のタスクに分割したり、アイデアをレビューして最初のエージェントがレビューできる問題を見つけたり、アイデアを改良したりすることができます。結果はどんどん良くなってきます。

わかりました。では、エージェント AI を構築するにはどうすればいいのでしょうか?

近い将来、多くのソフトウェア エンジニアがエージェント プロセス作成者になります。彼らは、モデル、ユーザー入力、目標、重要なビジネス サービスなどのコンポーネントを組み合わせて、これらのプロセスを構築します。

こうしたコンポーネントの 1 つの例として、在庫管理システムの在庫が挙げられます。このシステムを、ホリデー シーズン中に在庫レベルを最適化できるエージェントに接続したらどうなるでしょうか。過去の在庫レベル分析を行った別のエージェントの助けを借りれば、季節的な需要を満たすのに十分な在庫を確保しつつ、ホリデー シーズンのラッシュ後に在庫をほとんど残さないようにすることができます。

これはクリスマス後のセールに熱心な買い物客をがっかりさせるかもしれないが、小売業者が商品を赤字で販売するのを防ぐのにも役立つだろう。

しかし、開発者はこれらのシステムをどのように構築するのでしょうか?

エージェントプロセスは、もちろんコードで表現できますが、「エージェントフロー」として視覚化することも役立ちます。つまり、あるエージェントの出力が別のエージェントの入力になる、といった具合です。現在利用可能なツールは、エージェントシステムの構築を簡素化するこの取り組みにおいて、すでに多くの価値を提供しています。そのようなソリューションの1つは、 ラングフローは、多くのコーディングを必要とせずに、さまざまなコンポーネントをドラッグ アンド ドロップするだけで、エージェント AI アプリケーションや複雑な AI ワークフローを作成できる、視覚的なローコード ビルダーです。

Langflow を使用すると、開発者はプロンプト、データ ソース、モデル、API、ツール、その他のエージェントなどのコンポーネントを含むあらゆるものをツールとして定義できます。開発者が複数のマルチエージェント機能を含むアプリケーションを多数作成しているため、最近、エージェントを使用して「フロー」を構築する需要が高まっています。エージェントは、開発者が Langflow を使用してフローに挿入する最も一般的なタイプのコンポーネントです。

まとめ: 副操縦士から操縦士へ

エージェント ワークフローは、エンタープライズ データ、AI、API を統合して自動化システムを形成し、ドメイン エキスパートが能力を拡大し、AI を通じてエンタープライズの業務を改善できるようにします。AI エージェントをエンタープライズ アーキテクチャに統合することは、組織が自動化とビジネス プロセスに取り組む方法に大きな飛躍をもたらします。

LLM とエージェント フレームワークによって強化されたこれらのエージェントは、プロセス、ワークフロー、コード全体でシームレスに動作することで従来の境界を超越します。

エージェント ワークフローを導入すると、ビジネス オペレーション全体の効率、拡張性、応答性が向上します。ワークフロー全体を管理し、複雑なタスクを高い適応性で処理し、よりパーソナライズされたタイムリーなインタラクションを提供することで顧客体験を向上させます。自動化がエンタープライズ システムに組み込まれるにつれて、AI 副操縦士はパイロットに昇格し、エージェント AI を採用する組織は、イノベーション、競争、価値提供において有利な立場に立つことができます。

エージェントAIの詳細については、無料のホワイトペーパー「 自動化システム: エンタープライズ アーキテクチャの未来はエージェント的です。 ” そしてチェックアウトこのページLangflow について詳しく知るには。

著者：エド・アナフ、DataStax 最高製品責任者