AI agentai: kaip jie ruošiasi susprogdinti verslo procesų sluoksnį

Kai žmonės galvoja apie generatyvųjį dirbtinį intelektą, daugelis įsivaizduoja, kad jis veikia kaip „įsitraukimo sistemos“ dalis – klientų aptarnavimo agentas, tiekimo grandinės valdymo įrankis arba būdas sumaniai sąveikauti su organizacijos PDF ir kitais nuosavybės teise priklausančiais duomenimis ir juose ieškoti.

Tai tikslus vaizdas – ateinančius metus ar dvejus programas, kurios sumaniai kuria turinį didelių kalbų modelių (LLM) panaudojimas išliks pagrindinis AI dėmesys įmonėms.

Tačiau atsižvelkite į tai: dauguma įmonėse parašytų kodų yra verslo procesuose – tokiose sistemose kaip atsargų planavimas, kurios yra tarp įtraukimo lygmens ir griežtesnių įrašų sistemų (organizacijos duomenų ir kt.). Kuo GenAI bus naudingas tam sluoksniui? Kaip organizacija gali pagerinti savo verslo procesus naudodama šią plačiai paplitusią technologiją?

Agentinis AI yra atsakymas. Nors dirbtinio intelekto agentai sukurti tam tikroms užduotims atlikti arba tam tikroms, dažnai pasikartojančioms užduotims automatizuoti (pvz., kalendoriaus atnaujinimui), jiems paprastai reikia žmogaus. Agentiškas AI yra susijęs su autonomija (pagalvokite apie savarankiškai važiuojančius automobilius), naudojant agentų sistemą, kuri nuolat prisitaiko prie dinamiškos aplinkos ir savarankiškai kuria, vykdo ir optimizuoja rezultatus.

Kai verslo procesų darbo eigoms taikomas agentinis AI, jis gali pakeisti trapius, statiškus verslo procesus dinamiškomis, kontekstą žinančiomis automatizavimo sistemomis.

Pažiūrėkime, kodėl AI agentų integravimas į įmonės architektūras žymi transformacinį šuolį, kaip organizacijos kreipiasi į automatizavimą ir verslo procesus, ir kokios platformos reikia šioms automatizavimo sistemoms palaikyti.

Ką dabar veikia agentai

Kai agentui pateikiate kontekstą, agentas pateikia tą kontekstą LLM ir prašo jį užpildyti bei į jį atsakyti. AI agentai taip pat gali naudoti galimybes atlikti užduotis vartotojų vardu. Šie AI agentai gali atlikti keletą pagrindinių funkcijų, vadovaudamiesi instrukcijomis ir informacija, gauta iš konteksto:

Įrankio naudojimas – agentas naudoja išorines funkcijas, API arba įrankius, kad išplėstų savo galimybes ir atliktų konkrečias užduotis. Tai gali apimti iš anksto nustatytų funkcijų iškvietimą arba sąsają su išorinėmis paslaugomis (pvz., žiniatinklio užklausų teikimą naudojant cURL arba prieigą prie RESTful API), kad būtų galima gauti kontekstą arba atlikti veiksmus, kurie viršija jam būdingas funkcijas.

Sprendimų priėmimas – agentas įvertina turimą informaciją ir pasirenka tinkamiausią veiksmą savo tikslams pasiekti. Tai apima konteksto analizę, galimų rezultatų pasvėrimą ir veiksmų krypties, atitinkančios norimus tikslus, pasirinkimą.

Planavimas – agentas suformuluoja veiksmų ar strategijų seką, kad pasiektų konkretų tikslą.

Samprotavimas – agentas analizuoja turimą kontekstą, daro išvadas, numato veiksmų rezultatus ir priima pagrįstus sprendimus dėl optimalių veiksmų, kurių reikia imtis norint pasiekti norimą rezultatą.

Šios pastarosios funkcijos – sprendimų priėmimas, planavimas ir samprotavimas – dažnai apima kelis agentus, dirbančius kartu siekiant tikslo. Agentai gali siekti patobulinti sugeneruotą kodą, kad jis būtų teisingas, diskutuoti, ar agento sprendimas yra šališkas, arba planuoti naudoti kitas agento galimybes užduočiai atlikti.

Agentinio tinklo organizavimas

Modeliai, maitinantys agentų tinklus, iš esmės yra be būsenos funkcijos, kurios kontekstą priima kaip įvestį ir išveda atsakymą, todėl jiems suorganizuoti būtina tam tikra sistema. Dalis to orkestravimo gali būti paprasti patobulinimai (modelis reikalauja daugiau informacijos). Tai gali skambėti analogiškai Išieškojimo papildyta karta (RAG) – ir turėtų, nes RAG iš esmės yra supaprastinta agento architektūros forma: ji suteikia modeliui vieną įrankį, kuris gauna papildomos informacijos, dažnai iš vektorinės duomenų bazės.

Tačiau daugiaagentinės modelių sistemos tai daro toliau; jie tarpininkauja dėl papildomos informacijos užklausų arba pateikia atsakymą, kuris turi būti pateiktas kitam agentui patobulinti.

Vienas agentas galėtų, tarkime, parašyti Python, o kitas jį peržiūri. Arba agentas gali išreikšti tikslą ar idėją, o antrojo agento darbas galėtų būti suskaidyti tai į užduočių rinkinį arba peržiūrėti idėją, kad surastų problemas, kurias gali peržiūrėti pirmasis agentas, ir tada patobulinti idėją. Jūsų rezultatai pradeda gerėti ir gerėti.

Gerai, bet kaip sukurti agentinį AI?

Netolimoje ateityje daug programinės įrangos inžinierių taps agentų procesų autoriais. Jie sukurs šiuos procesus maišydami ir derindami komponentus: modelius, vartotojo įvestį, tikslus ir svarbias verslo paslaugas.

Vieno iš šių komponentų pavyzdys yra atsargos atsargų valdymo sistemoje. Ką daryti, jei tą sistemą prijungtumėte prie agento, kuris galėtų padėti optimizuoti atsargų lygį atostogų sezono metu? Naudodami kitą agentą, atlikusį istorinę atsargų lygio analizę, galite užtikrinti, kad atsargų užtektų tik sezoninei paklausai patenkinti, tačiau po atostogų įkarščių atsargų liktų mažai.

Tai gali nuvilti karštus pirkėjus po Kalėdų išpardavimo, bet taip pat padėtų mažmenininkams neleisti parduoti savo prekių nuostolingai.

Bet kaip kūrėjai sukurs šias sistemas?

Agentinius procesus, žinoma, galima išreikšti kodu, bet tai padeda juos vizualizuoti kaip „agentinius srautus“ – vieno agento produkcija tampa kito agento įvestimi ir pan. Šiuo metu prieinami įrankiai jau suteikia daug naudos siekiant supaprastinti statybos agentų sistemas. Vienas iš tokių sprendimų yra Langflow , vizualus, mažai kodų kūrimo įrankis, skirtas kurti agentines AI programas ir sudėtingas AI darbo eigas vilkiant ir nuleidžiant skirtingus komponentus, nereikia daug koduoti.

„Langflow“ leidžia kūrėjams apibrėžti bet ką kaip įrankį, įskaitant komponentus, pvz., raginimą, duomenų šaltinį, modelį, API, įrankius ar bet kokius kitus agentus. Neseniai pastebėjome didelę „srautų“ kūrimo su agentais paklausą, nes kūrėjai kuria daug programų, turinčių keletą kelių agentų galimybių: Agentai yra populiariausias komponentų tipas, kurį kūrėjai įterpia į srautus naudodami „Langflow“.

Užbaigimas: nuo antrojo piloto iki piloto

Agentinės darbo eigos sujungia įmonės duomenis, AI ir API, sudarydamos automatizavimo sistemas, kurios įgalina domenų ekspertus išplėsti savo gebėjimus ir padėti įmonėms geriau dirbti naudojant AI. AI agentų integravimas į įmonės architektūrą žymi didelį šuolį, kaip organizacijos priartėja prie automatizavimo ir verslo procesų.

Šie agentai, kuriuos suteikia LLM ir agentų sistemos, peržengia tradicines ribas, sklandžiai veikdami įvairiuose procesuose, darbo eigose ir koduose.

Agentinių darbo eigų pritaikymas žada padidinti verslo operacijų efektyvumą, mastelį ir greitą reagavimą. Jie valdys visas darbo eigas, tvarkys sudėtingas užduotis geriau prisitaikydami ir pagerins klientų patirtį teikdami labiau suasmenintą ir savalaikę sąveiką. Kai automatizavimas bus įtrauktas į įmonių sistemas, dirbtinio intelekto antrieji pilotai taps pilotais, o organizacijos, kuriose naudojamas agentinis DI, turės geresnes sąlygas diegti naujoves, konkuruoti ir teikti vertę.

Norėdami gauti daugiau informacijos apie agentinį AI, skaitykite nemokamą informacinį dokumentą " Automatizavimo sistemos: įmonės architektūros ateitis yra agentinė. “ Ir patikrinkite šį puslapį Norėdami sužinoti daugiau apie Langflow .

Parašė Edas Anuffas, „DataStax“ vyriausiasis produktų pareigūnas