IA agêntica: quatro motivos pelos quais é a próxima grande tendência na pesquisa de IA

Nos últimos anos, a IA generativa (ou IA gen) tem sido a novidade entre os tecnólogos, mas recentemente um novo termo surgiu nas comunidades de desenvolvimento de inteligência artificial (IA) . "Agêntica" é a última onda da IA e, neste caso, é apropriado acreditar no burburinho. A IA agêntica reúne a versatilidade e a flexibilidade dos grandes modelos de linguagem (LLMs) e a precisão da programação tradicional.

IA agêntica refere-se a um sistema ou programa que é capaz de realizar tarefas de forma autônoma em nome de um usuário ou outro sistema projetando seu fluxo de trabalho e usando as ferramentas disponíveis. O sistema tem "agência" para tomar decisões, executar ações, resolver problemas complexos e interagir com ambientes externos além dos dados sobre os quais os modelos de aprendizado de máquina (ML) do sistema foram treinados.

Os agentes de IA não utilizam somente bancos de dados e redes, mas também podem aprender com o comportamento do usuário, melhorando com o tempo. A adaptabilidade dos agentes permite que eles lidem com aplicações de IA complexas multietapas com as quais a IA tradicional não seria capaz de lidar, tornando-os uma parte fundamental da estratégia de automação de processos da organização moderna.

Se você perguntasse a um chatbot de LLM de uso geral, como o ChatGPT, que máquina de sorvete comprar, os recursos de processamento de linguagem natural (NLP) desse modelo permitiriam que ele fornecesse recomendações com base em seus dados de treinamento, que provavelmente incluiriam informações extraídas da internet. Mas você não quer conselhos genéricos do passado. Você precisa de conselhos que considerem informações em tempo real.

Uma plataforma de IA agêntica consiste em um LLM que orquestra o comportamento de vários agentes que podem ser implementados em diversas aplicações. Esses agentes podem ser mais modelos de IA ou podem ser ferramentas de pesquisa simples que podem procurar informações de forma rápida em uma base de conhecimento ou online. Para continuar o exemplo anterior, imagine se um LLM como o GPT também tivesse acesso a dados de comércio eletrônico e seus detalhes de pagamento em tempo real.

Uma plataforma de IA agêntica como essa não só poderia dizer que as pessoas adoram uma máquina de sorvete específica que está à venda em um varejista específico, mas também poderia, teoricamente, fazer a compra em seu nome. A IA agêntica nos aproxima de casos de uso que, até recentemente, considerávamos ficção científica, onde as máquinas podem concluir tarefas complexas que envolvem fluxos de trabalho complexos, tomada de decisão baseada em dados e ações com o mínimo de intervenção humana.

Há boas razões para pensar que o entusiasmo em torno da IA agêntica é justificado. Aqui estão quatro delas:

Os LLMs se destacam no processamento e na geração de texto semelhante ao humano, facilitando a interação dos usuários com a IA usando comandos de linguagem natural. Isso reduz a necessidade de conhecimento explícito de programação. Os LLMs podem gerar respostas ou ações com base em uma compreensão sutil e dependente do contexto, o que é útil em cenários em que a programação tradicional pode ter dificuldade para cobrir todos os casos extremos. Além disso, os LLMs são criativos em tarefas como geração de conteúdo, resumo de conclusão de código e muito mais. Esse recurso generativo é difícil de replicar com a programação tradicional baseada em regras.

Enquanto isso, a programação tradicional é altamente estruturada, determinística e confiável, o que a torna ideal para tarefas que exigem precisão, repetibilidade e verificabilidade. As linguagens de programação tradicionais oferecem controle granular sobre como as tarefas são executadas, ajudando a garantir que fluxos de trabalho complexos, algoritmos ou requisitos específicos do sistema possam ser explicitamente definidos e otimizados. A programação tradicional geralmente é mais eficiente para tarefas que exigem alto desempenho ou funções exclusivas.

Os sistemas de IA Agêntica oferecem o melhor de dois mundos: utilizam LLMs para lidar com tarefas que se beneficiam de flexibilidade e respostas dinâmicas, enquanto combinam esses recursos de IA com programação tradicional para regras, lógica e desempenho rígidos. Essa abordagem híbrida permite que a IA seja intuitiva e precisa. Os agentes podem realizar tarefas de forma autônoma enquanto se adaptam a novos dados ou ambientes dinâmicos, algo que é desafiador para código estático. Ao mesmo tempo, processos críticos (como segurança ou cálculos) podem depender de algoritmos tradicionais determinísticos.

Um sistema impulsionado por IA agêntica pode conter agentes de reflexos simples que realizam uma tarefa simples de forma eficaz e consistente. Agentes mais complexos baseados em regras podem usar a percepção atual e recorrer à memória, possibilitando-lhes receber e armazenar novas informações, permitindo-lhes executar uma gama mais ampla de tarefas. Os agentes de aprendizado também podem realizar ingestão de novos dados, mas podem usar isso para informar decisões posteriores, melhorando a precisão ao longo do tempo. Uma plataforma de IA agêntica pode envolver dezenas ou até centenas de agentes com recursos variados trabalhando juntos.

Os LLMs são normalmente treinados com conjuntos de dados estáticos que representam um instantâneo das informações até um determinado ponto no tempo. Os LLMs não podem sair ativamente e coletar novas informações da web após o período de treinamento. Eles só podem gerar respostas com base no que já "sabem". Elas não podem acessar ou atualizar dados em tempo real de fontes externas por conta própria.

Os LLMs não podem interagir diretamente com ferramentas externas ou sistemas de processamento de dados (como planilhas, plataformas de nuvem ou software de análise de dados) nem configurar sistemas de forma autônoma para monitorar e coletar dados contínuos (como sensores de IoT, processos de negócios ou registros de sistemas) porque são não foram projetados para realizar tarefas contínuas.

A IA agêntica pode ser projetada para pesquisar a web, chamada de interface de programação de aplicativos (APIs) ou bancos de dados de consulta. Os agentes podem buscar informações em tempo real, recuperar atualizações ou extrair pontos de dados específicos que são críticos para a tomada de decisão. Os agentes podem iniciar e gerenciar tarefas como registro de dados, monitoramento em tempo real e análise de tendências. Eles podem rastrear e coletar de forma proativa fluxos de dados de dispositivos IoT, feeds de redes sociais ou outros sistemas, fornecendo aos LLMs novas entradas para a tomada de decisão mais informada e respostas contextuais.

A IA agêntica pode usar loops de feedback onde busca ativamente novos dados para refinar seus modelos ou processos de tomada de decisão. Isso pode envolver a consulta periódica de novas fontes, a coleta de feedback do usuário ou a análise dos resultados do mundo real para atualizar e melhorar sua compreensão ou estratégias. Dessa forma, o LLM pode alcançar a otimização ao longo do tempo a partir de dados mais ricos e em constante evolução.

Com a inteligência dos LLMs e os recursos direcionados dos agentes, a IA agêntica pode operar de forma independente e executar tarefas específicas de forma autônoma sem a necessidade de supervisão humana constante. Isso permite a operação contínua em ambientes onde a supervisão humana é limitada ou desnecessária. Os sistemas autônomos podem manter metas de longo prazo, gerenciar tarefas multietapas e rastrear o progresso ao longo do tempo.

Por exemplo, uma IA agêntica poderia ser encarregada de gerenciar uma campanha de marketing, monitorando continuamente o desempenho, ajustando a estratégia e otimizando os resultados com base no feedback, sem a necessidade de entrada humana em cada etapa.

Na área da saúde, os agentes podem monitorar os dados dos pacientes, ajustar as recomendações de tratamento com base nos resultados de novos testes e fornecer feedback em tempo real aos médicos.

Na cibersegurança, os agentes podem monitorar continuamente o tráfego de rede, os logs do sistema e o comportamento do usuário em busca de anomalias que possam indicar possíveis ameaças à segurança, como malware, ataques de phishing ou tentativas de acesso não autorizadas. Nas cadeias de suprimentos, a IA pode fazer pedidos de forma autônoma aos fornecedores ou ajustar cronogramas de produção para manter níveis ideais de inventário.

Em recursos humanos, os agentes podem analisar a função e o histórico do novo contratado para criar caminhos personalizados de treinamento de integração. Eles podem ajustar o conteúdo e os materiais de aprendizado com base na experiência anterior do indivíduo, nos requisitos da função e no ritmo de aprendizado.

Pode-se imaginar que muitas funções de negócios atualmente executadas com produtos de software como serviço (SaaS) estão sendo substituídas ou ampliadas por sistemas agênticos, que permitem que os trabalhadores interajam com dados e executem tarefas de forma mais eficiente com entradas de linguagem natural e interfaces de usuário simplificadas.

Por exemplo, imagine um sistema de tickets que os desenvolvedores de software usem para acompanhar o progresso de projetos. Esse sistema exige muitas tabelas, guias e fluxos de trabalho que nem sempre são fáceis de entender à primeira vista. Para descobrir informações úteis, os usuários precisam buscar os dados certos, navegando por uma complexa variedade de menus para obter as informações de que precisam. Depois, talvez precisem usar essas informações para criar uma apresentação.

E se, em vez de organizar todos esses dados em tabelas e guias, o usuário só tivesse que pedir as informações de que precisa em linguagem humana simples?

Por exemplo, imagine gerar um slide de apresentação que exibe cinco gráficos de barras representando cada ticket concluído por funcionário no mês atual, retrocedendo cinco anos, tudo sem classificar manualmente os conjuntos de dados complexos.

Poderia ter demorado meia hora para buscar esses dados manualmente e outra meia hora para exibi-los em um formato organizado para uma apresentação eficiente, mas os agentes conseguiam reunir isso em segundos.

Para organizações que lutam para ver os benefícios da IA generativa, os agentes de IA podem ser a chave para encontrar valor de negócios tangível. Os LLMs monolíticos são impressionantes, mas têm casos de uso limitados no campo da IA empresarial. Resta saber se as vastas somas de dinheiro atualmente investidas em poucos LLMs serão recuperadas em casos de uso do mundo real, mas a IA agêntica representa um framework promissor que traz os LLMs para o mundo real, apontando o caminho para um futuro mais impulsionado por IA.