Keď ľudia myslia na generatívnu AI, mnohí si predstavujú, že funguje ako súčasť „systému zapojenia“ – agenta služieb zákazníkom, nástroja na riadenie dodávateľského reťazca alebo spôsobu inteligentnej interakcie a vyhľadávania v súboroch PDF organizácie a iných chránených údajoch.  To je presný pohľad – na ďalší rok alebo dva aplikácie, ktoré inteligentne vytvárajú obsah  zostane hlavným zameraním AI pre podniky.   využitie veľkých jazykových modelov (LLM)  Ale zvážte toto: Väčšina kódu napísaného v podnikoch sa nachádza v rámci podnikových procesov – systémov, ako je plánovanie zásob, ktoré sú medzi vrstvou zapojenia a prísnejšími systémami záznamov (údaje organizácie atď.) Aký úžitok bude mať GenAI pre túto vrstvu? Ako môže organizácia zlepšiť svoje obchodné procesy pomocou tejto všadeprítomnej technológie?   Agentická AI je odpoveď. Zatiaľ čo agenti AI sú stvorení na vykonávanie špecifických úloh alebo automatizáciu špecifických, často sa opakujúcich úloh (napríklad aktualizácia kalendára), vo všeobecnosti vyžadujú ľudský vstup. Agentická AI je o autonómii (myslite na samoriadiace autá), ktorá využíva systém agentov, ktorí sa neustále prispôsobujú dynamickým prostrediam a nezávisle vytvárajú, spúšťajú a optimalizujú výsledky.  Keď sa agentná AI aplikuje na pracovné toky obchodných procesov, môže nahradiť krehké, statické obchodné procesy dynamickými, kontextovo vnímavými automatizačnými systémami.  Pozrime sa, prečo integrácia agentov AI do podnikových architektúr predstavuje transformačný skok v spôsobe, akým organizácie pristupujú k automatizácii a obchodným procesom, a aký druh platformy je potrebný na podporu týchto systémov automatizácie.  Čo teraz robia agenti  Keď agentovi poskytnete kontext, agent potom odovzdá tento kontext LLM a požiada ho, aby ho doplnil a odpovedal. Agenti AI môžu tiež využívať funkcie na dokončenie úloh v mene používateľov. Títo agenti AI môžu vykonávať niekoľko kľúčových funkcií riadených pokynmi a informáciami odvodenými z kontextu:  Použitie nástroja — Agent používa externé funkcie, rozhrania API alebo nástroje na rozšírenie svojich schopností a vykonávanie špecifických úloh. To môže zahŕňať volanie preddefinovaných funkcií alebo prepojenie s externými službami (ako je vytváranie webových požiadaviek pomocou cURL alebo prístup k RESTful API) na získanie kontextu alebo vykonanie akcií nad rámec jeho vlastných funkcií.    Agent vyhodnocuje dostupné informácie a vyberá najvhodnejšie opatrenia na dosiahnutie svojich cieľov. To zahŕňa analýzu kontextu, zváženie možných výsledkov a výber postupu, ktorý je v súlade s požadovanými cieľmi. Rozhodovanie —    Agent formuluje postupnosť akcií alebo stratégií na dosiahnutie konkrétneho cieľa. Plánovanie —    Agent analyzuje dostupný kontext, vyvodzuje závery, predpovedá výsledky akcií a robí informované rozhodnutia o optimálnych krokoch, ktoré treba podniknúť na dosiahnutie požadovaného výsledku. Zdôvodnenie –  Tieto posledné druhy funkcií – rozhodovanie, plánovanie a uvažovanie – často zahŕňajú viacerých agentov, ktorí spolupracujú na dosiahnutí cieľa. Agenti by sa mohli snažiť vylepšiť vygenerovaný kód pre správnosť, diskutovať o tom, či je agentské rozhodnutie neobjektívne, alebo plánovať použitie iných agentských schopností na dokončenie úlohy.  Organizácia agentskej siete  Modely, ktoré poháňajú siete agentov, sú v podstate bezstavové funkcie, ktoré berú kontext ako vstup a výstup ako odozvu, takže na ich usporiadanie je potrebný určitý druh rámca. Súčasťou tejto orchestrácie môžu byť jednoduché vylepšenia (model vyžaduje viac informácií). Toto môže znieť analogicky  – a malo by, pretože RAG je v podstate zjednodušená forma architektúry agentov: Poskytuje modelu jediný nástroj, ktorý mu poskytuje dodatočné informácie, často z vektorovej databázy.   generovanie rozšíreného získavania (RAG)  Ale multiagentné modelové rámce to posúvajú ďalej; sprostredkúvajú žiadosti o dodatočné informácie alebo poskytujú odpoveď, ktorá je navrhnutá tak, aby bola doručená inému agentovi na spresnenie.   Jeden agent by mohol, povedzme, napísať nejaký Python, zatiaľ čo iný ho potom preskúmal. Alebo by agent mohol vyjadriť cieľ alebo nápad a potom by úlohou druhého agenta mohlo byť rozdeliť to na súbor úloh alebo preskúmať nápad, aby našiel problémy, ktoré môže prvý agent preskúmať, a potom nápad vylepšiť. Vaše výsledky začnú byť lepšie a lepšie.  Dobre, ale ako vytvorím Agentickú AI?  V blízkej budúcnosti sa veľa softvérových inžinierov stane autormi agentových procesov. Tieto procesy vybudujú zmiešaním a zladením komponentov: modelov, používateľských vstupov, cieľov – a dôležitých obchodných služieb.  Príkladom jedného z týchto komponentov sú zásoby v systéme riadenia zásob. Čo keby ste tento systém pripojili k agentovi, ktorý by mohol pomôcť optimalizovať úrovne zásob počas prázdnin? S pomocou iného agenta, ktorý vykonal analýzu úrovne historických zásob, by ste sa mohli uistiť, že je dostatok zásob na uspokojenie sezónneho dopytu, no po dovolenkovom zhone zostane len málo zásob.  To by mohlo sklamať zanietených kupujúcich po vianočných výpredajoch, no zároveň by to pomohlo zabrániť maloobchodníkom, aby predávali svoj tovar so stratou.  Ako však vývojári tieto systémy postavia?  Agentické procesy sa dajú, samozrejme, vyjadriť kódom, ale pomáha aj ich vizualizácia ako „agentské toky“ – výstup jedného agenta sa stáva vstupom iného agenta atď. Nástroje, ktoré sú teraz k dispozícii, už poskytujú veľkú hodnotu v tomto úsilí o zjednodušenie budovania systémov agentov. Jedným z takýchto riešení je  , vizuálny tvorca kódu s malým množstvom kódu na vytváranie agentných aplikácií AI a zložitých pracovných postupov AI presúvaním rôznych komponentov bez potreby veľkého kódovania.    Langflow  Langflow umožňuje vývojárom definovať čokoľvek ako nástroj, vrátane komponentov, ako je výzva, zdroj údajov, model, API, nástroje alebo akékoľvek iné agenty. Nedávno sme zaznamenali značný dopyt po vytváraní „tokov“ s agentmi, pretože vývojári vytvárajú množstvo aplikácií, ktoré zahŕňajú niekoľko multiagentových schopností: Agenti sú najobľúbenejším typom komponentov, ktoré vývojári vkladajú do tokov pomocou Langflow.  Zhrnutie: Od druhého pilota po pilota  Agentické pracovné postupy spájajú podnikové údaje, AI a API a vytvárajú systémy automatizácie, ktoré umožňujú odborníkom v doménach škálovať ich schopnosti a zlepšiť fungovanie podnikov prostredníctvom AI. Integrácia agentov AI do podnikových architektúr predstavuje veľký skok v tom, ako organizácie pristupujú k automatizácii a obchodným procesom.  Títo agenti, podporovaní LLM a agentnými rámcami, prekračujú tradičné hranice tým, že bezproblémovo fungujú naprieč procesmi, pracovnými tokmi a kódom.   Prijatie agentných pracovných tokov sľubuje zvýšenie efektívnosti, škálovateľnosti a odozvy v rámci obchodných operácií. Budú riadiť celé pracovné toky, zvládať zložité úlohy s väčšou prispôsobivosťou a zlepšovať skúsenosti zákazníkov poskytovaním personalizovanejších a včasnejších interakcií. Keď sa automatizácia začlení do podnikových systémov, kopiloti AI postúpia na pilotné projekty a organizácie, ktoré využívajú agentnú AI, budú mať lepšiu pozíciu na inovácie, konkurenciu a poskytovanie hodnoty.   Viac podrobností o AI agentov nájdete v bezplatnej bielej knihe, “  “A skontrolujte sa    .   Systémy automatizácie: Budúcnosť podnikovej architektúry je agentská.   túto stránku sa dozviete viac o Langflow   Napísal Ed Anuff, hlavný produktový riaditeľ, DataStax

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

Agenti AI: Ako sa pripravujú vyhodiť do vzduchu vrstvu obchodných procesov

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

16 Best Sklearn Datasets for Building Machine Learning Models

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Behavior of a shapely Spider

16 Best Sklearn Datasets for Building Machine Learning Models

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Behavior of a shapely Spider

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps