Kiedy ludzie myślą o generatywnej sztucznej inteligencji, wielu wyobraża sobie ją jako część „systemu zaangażowania” — agenta obsługi klienta, narzędzia do zarządzania łańcuchem dostaw lub sposobu inteligentnej interakcji z plikami PDF i innymi zastrzeżonymi danymi organizacji oraz ich przeszukiwania.  To trafny pogląd – przez najbliższy rok lub dwa aplikacje, które inteligentnie tworzą treści,  pozostanie głównym obszarem zainteresowania przedsiębiorstw w obszarze sztucznej inteligencji.   wykorzystanie dużych modeli językowych (LLM)  Ale rozważ to: Większość kodu napisanego w przedsiębiorstwach znajduje się w procesach biznesowych — systemach takich jak planowanie zapasów, które znajdują się między warstwą zaangażowania a bardziej sztywnymi systemami rekordów (dane organizacji itp.). W jaki sposób GenAI skorzysta na tej warstwie? W jaki sposób organizacja może ulepszyć swoje procesy biznesowe dzięki tej wszechobecnej technologii?   Odpowiedzią jest sztuczna inteligencja agentowa. Podczas gdy agenci AI są stworzeni do wykonywania określonych zadań lub automatyzowania określonych, często powtarzających się zadań (takich jak aktualizowanie kalendarza), zazwyczaj wymagają wkładu człowieka. Sztuczna inteligencja agentowa opiera się na autonomii (pomyśl o samochodach autonomicznych), wykorzystując system agentów do ciągłego dostosowywania się do dynamicznych środowisk i niezależnego tworzenia, wykonywania i optymalizowania wyników.  Zastosowanie sztucznej inteligencji opartej na agentach w procesach biznesowych pozwala zastąpić niestabilne, statyczne procesy biznesowe dynamicznymi, zależnymi od kontekstu systemami automatyzacji.  Przyjrzyjmy się, dlaczego integracja agentów AI z architekturą przedsiębiorstwa oznacza rewolucyjny krok w podejściu organizacji do automatyzacji i procesów biznesowych oraz jaki rodzaj platformy jest potrzebny do obsługi tych systemów automatyzacji.  Co robią teraz agenci  Gdy dostarczasz agentowi kontekst, agent przekazuje ten kontekst do LLM i prosi go o jego wypełnienie i odpowiedź. Agenci AI mogą również używać możliwości do wykonywania zadań w imieniu użytkowników. Ci agenci AI mogą wykonywać kilka kluczowych funkcji, kierując się instrukcjami i informacjami pochodzącymi z kontekstu:  Użycie narzędzi — agent używa zewnętrznych funkcji, interfejsów API lub narzędzi, aby rozszerzyć swoje możliwości i wykonywać określone zadania. Może to obejmować wywoływanie wstępnie zdefiniowanych funkcji lub interfejsowanie z usługami zewnętrznymi (np. wysyłanie żądań internetowych za pomocą cURL lub uzyskiwanie dostępu do interfejsów API RESTful) w celu uzyskania kontekstu lub wykonania działań wykraczających poza jego wrodzone funkcjonalności.    agent ocenia dostępne informacje i wybiera najbardziej odpowiednie działanie w celu osiągnięcia swoich celów. Obejmuje to analizę kontekstu, rozważenie możliwych wyników i wybranie kierunku działania zgodnego z pożądanymi celami. Podejmowanie decyzji —    agent formułuje sekwencję działań lub strategii mających na celu osiągnięcie określonego celu. Planowanie —    agent analizuje dostępny kontekst, wyciąga wnioski, przewiduje wyniki działań i podejmuje świadome decyzje dotyczące optymalnych kroków, które należy podjąć, aby osiągnąć pożądany wynik. Rozumowanie —  Te ostatnie rodzaje funkcji – podejmowanie decyzji, planowanie i rozumowanie – często obejmują wielu agentów pracujących razem w celu osiągnięcia celu. Agenci mogliby dążyć do udoskonalenia wygenerowanego kodu pod kątem poprawności, debatować, czy decyzja agenta jest stronnicza, lub planować użycie innych możliwości agenta w celu wykonania zadania.  Orkiestracja sieci agentów  Modele, które zasilają sieci agentów, są zasadniczo funkcjami bezstanowymi, które przyjmują kontekst jako dane wejściowe i wyprowadzają odpowiedź, więc do ich orkiestracji konieczne są pewne ramy. Częścią tej orkiestracji mogą być proste udoskonalenia (model żąda więcej informacji). Może to brzmieć analogicznie do  – i tak powinno być, ponieważ RAG jest w zasadzie uproszczoną formą architektury agenta: zapewnia modelowi pojedyncze narzędzie, które pobiera dodatkowe informacje, często z bazy danych wektorowych.   generacja wspomagana wyszukiwaniem (RAG)  Jednak wieloagentowe struktury modeli idą o krok dalej: pośredniczą w żądaniach o dodatkowe informacje lub dostarczają odpowiedzi, które są przeznaczone do przekazania innemu agentowi w celu udoskonalenia.   Jeden agent mógłby, powiedzmy, napisać trochę Pythona, a drugi następnie to przejrzeć. Albo agent mógłby wyrazić cel lub pomysł, a następnie zadaniem drugiego agenta mogłoby być podzielenie tego na zestaw zadań lub przejrzenie pomysłu, aby znaleźć problemy, które pierwszy agent może przejrzeć, a następnie dopracować pomysł. Twoje wyniki zaczynają być coraz lepsze.  No dobrze, ale jak zbudować agentową sztuczną inteligencję?  W niedalekiej przyszłości wielu inżynierów oprogramowania zostanie autorami procesów agentowych. Będą budować te procesy, mieszając i dopasowując komponenty: modele, dane wejściowe użytkownika, cele – i krytyczne usługi biznesowe.  Przykładem jednego z tych komponentów jest zapas w systemie zarządzania zapasami. Co by było, gdybyś połączył ten system z agentem, który mógłby pomóc zoptymalizować poziomy zapasów w okresie świątecznym? Z pomocą innego agenta, który przeprowadził analizę historycznych poziomów zapasów, mógłbyś upewnić się, że jest wystarczająco dużo zapasów, aby sprostać sezonowemu popytowi, ale pozostawić niewiele zapasów po świątecznym szczycie.  Może to rozczarować zapalonych klientów, którzy kupują poświąteczne wyprzedaże, ale jednocześnie pomoże zapobiec sytuacji, w której sprzedawcy detaliczni sprzedają swoje towary ze stratą.  Ale w jaki sposób programiści będą budować te systemy?  Procesy agentowe można oczywiście wyrazić za pomocą kodu, ale pomaga również ich wizualizacja jako „przepływy agentowe” – dane wyjściowe jednego agenta stają się danymi wejściowymi innego agenta itd. Dostępne obecnie narzędzia już teraz zapewniają wiele wartości w tym wysiłku na rzecz uproszczenia budowy systemów agentowych. Jednym z takich rozwiązań jest  , wizualny kreator z małą ilością kodu, umożliwiający tworzenie aplikacji AI opartych na agentach oraz złożonych przepływów pracy AI poprzez przeciąganie i upuszczanie różnych komponentów, bez konieczności pisania dużej ilości kodu.    Przepływ langowy  Langflow umożliwia deweloperom definiowanie czegokolwiek jako narzędzia, w tym komponentów takich jak monit, źródło danych, model, API, narzędzia lub inni agenci. Ostatnio zauważyliśmy znaczny popyt na tworzenie „przepływów” z agentami, ponieważ deweloperzy tworzą wiele aplikacji, które obejmują kilka możliwości multiagentowych: Agenci są najpopularniejszym typem komponentu, który deweloperzy wstawiają do przepływów za pomocą Langflow.  Podsumowanie: Od drugiego pilota do pilota  Przepływy pracy agentów łączą dane przedsiębiorstwa, AI i API, tworząc systemy automatyzacji, które umożliwiają ekspertom domenowym skalowanie ich umiejętności i sprawiają, że przedsiębiorstwa działają lepiej dzięki AI. Integracja agentów AI z architekturami przedsiębiorstwa oznacza duży krok naprzód w podejściu organizacji do automatyzacji i procesów biznesowych.  Agenci ci, korzystający z rozwiązań LLM i struktur agentowych, przekraczają tradycyjne granice, płynnie działając w różnych procesach, przepływach pracy i kodzie.   Przyjęcie przepływów pracy agentów obiecuje zwiększenie wydajności, skalowalności i responsywności w operacjach biznesowych. Będą zarządzać całymi przepływami pracy, obsługiwać złożone zadania z większą adaptowalnością i poprawiać doświadczenia klientów, zapewniając bardziej spersonalizowane i terminowe interakcje. W miarę jak automatyzacja staje się osadzona w systemach przedsiębiorstw, współpiloci AI awansują do pilotów, a organizacje, które wykorzystują agentową AI, będą lepiej przygotowane do innowacji, konkurowania i dostarczania wartości.   Aby uzyskać więcej szczegółów na temat sztucznej inteligencji agentowej, przeczytaj bezpłatny dokument techniczny „  „I sprawdź    .   Systemy automatyzacji: agentowość to przyszłość architektury przedsiębiorstwa.   ta strona aby dowiedzieć się więcej o Langflow   Napisane przez Eda Anuffa, dyrektora ds. produktów, DataStax

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

DataStax Astra DB is the vector database for getting GenAI apps into production, fast. Try it for free today!

DataStax

Ten dźwięk jest produkowany w oryginalnym języku historii!

Agenci AI: Jak przygotowują się do wysadzenia warstwy procesów biznesowych

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Meet Klink Finance: HackerNoon Company of the Week

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Meet Klink Finance: HackerNoon Company of the Week

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps