Assistentes de IA otimizam a automação com agentes baseados em API

Os assistentes com tecnologia de IA generativa estão transformando empresas por meio de interfaces de conversação inteligentes. Capazes de entender e gerar respostas e conteúdo semelhantes aos humanos, esses assistentes estão revolucionando a forma como humanos e máquinas colaboram. Os grandes modelos de linguagem (LLMs) estão no centro dessa nova disrupção. Os LLMs são treinados em grandes quantidades de dados e podem ser usados em uma infinidade de aplicações. Eles podem ser facilmente ajustados para casos de uso empresarial específicos com alguns exemplos de treinamento.

Estamos testemunhando uma nova fase de evolução à medida que os assistentes de IA vão além das conversas e aprendem a aproveitar as ferramentas por meio de agentes que podem invocar as interfaces de programação de aplicativos (APIs) para atingir metas de negócios específicas. As tarefas que costumavam levar horas agora podem ser concluídas em minutos, orquestrando um grande catálogo de agentes reutilizáveis. Além disso, esses agentes podem ser compostos juntos para automatizar fluxos de trabalho complexos.

Os assistentes de IA podem usar agentes baseados em API para ajudar os trabalhadores do conhecimento em tarefas rotineiras, como a criação de descrições de cargos, a extração de relatórios em sistemas de RH, a prospecção de candidatos e muito mais. Por exemplo, um gerente de RH pode pedir a um assistente de IA para criar uma descrição de cargo para uma nova função, e o assistente pode gerar uma descrição de cargo detalhada que atenda aos requisitos da empresa. Da mesma forma, um recrutador pode pedir a um assistente de IA que forneça candidatos para uma vaga de emprego, e o assistente pode fornecer uma lista de candidatos qualificados de várias fontes. Com os assistentes de IA, os trabalhadores do conhecimento podem economizar tempo e se concentrar em problemas mais complexos e criativos.

Os criadores de automação também podem aproveitar o poder dos assistentes de IA para criar automações de forma rápida e fácil. Embora possa parecer um enigma, os assistentes de IA empregam IA generativa para automatizar o próprio processo de automação. Isso torna a criação de agentes mais fácil e rápida. Existem duas etapas essenciais na criação de agentes para automação de negócios: treinar e enriquecer os agentes para casos de uso e orquestrar um catálogo de vários agentes.

As APIs são a espinha dorsal dos agentes de IA. Criar agentes baseados em API é uma tarefa complexa que envolve interagir com um usuário de maneira conversacional, identificar as APIs necessárias para atingir um objetivo do usuário, fazer perguntas para reunir os argumentos necessários para a API, detectar as informações fornecidas pelo usuário que é necessário ao chamar a API, enriquecendo as APIs com elocuções de amostra e gerando respostas com base nos valores de retorno da API. Esse processo pode levar horas para um desenvolvedor experiente. No entanto, os LLMs podem automatizar essas etapas. Isso permite que os construtores treinem e enriqueçam as APIs com mais rapidez para tarefas específicas.

Suponha que Bob, um construtor de automação, queira criar agentes baseados em API para ajudar os vendedores da empresa a recuperar uma lista de clientes-alvo. O primeiro passo é importar a API "Retrieve My Customers" para o assistente de IA. No entanto, para disponibilizar essa automação como um agente, Bob precisa realizar várias etapas manuais e tediosas, que incluem treinar o classificador de linguagem natural com amostras de elocuções. Com a ajuda de LLMs, os assistentes de IA podem gerar automaticamente declarações de treinamento de amostra a partir de especificações OpenAPI. Esse recurso pode reduzir significativamente o esforço manual necessário. Depois que o modelo de base é ajustado para compreensão semântica, ele pode compreender melhor os prompts e intenções dos usuários corporativos. Bob ainda pode revisar e manipular as perguntas geradas usando uma abordagem humana em sistema.

Em breve, o processo de criação de agentes será totalmente automatizado, com a identificação de APIs, o preenchimento de slots e o enriquecimento de APIs. Isso reduzirá o tempo necessário para criar automação, reduzir barreiras técnicas e melhorar os catálogos de agentes reutilizáveis.

Construir fluxos de automação que usam múltiplas APIs pode ser tecnicamente complexo e demorado. Para conectar várias APIs, é importante identificar, sequenciar e invocar o conjunto certo de APIs para atingir uma meta de negócios específica. Os assistentes de IA usam LLMs e técnicas de planejamento para simplificar esse processo e reduzir barreiras técnicas. Os LLMs podem funcionar como um poderoso sistema de recomendação, sugerindo as APIs mais adequadas com base no uso, semelhanças e descrições.

Os construtores devem alinhar as entradas e saídas de várias APIs para compor automações multiagentes, o que é um processo tedioso e sujeito a erros. O mapeamento de API orientado por LLM automatiza esse processo de alinhamento com base nos atributos e na documentação da API. Isso facilita para os construtores de automação a reutilização de APIs existentes de grandes catálogos sem intervenção manual.

Agora, suponha que nosso construtor de automação, Bob, queira criar uma automação multi-API mais complexa que permita aos vendedores recuperar uma lista de clientes e, posteriormente, gerar uma lista de recomendações personalizadas de produtos. Após importar e enriquecer o agente da API "Recuperar meus clientes", a funcionalidade de sequenciamento infundida com LLM pode recomendar automaticamente a API "Gerar recomendações de produtos". Isso significa que Bob não precisa examinar cada API individualmente para descobrir a mais adequada do extenso catálogo de agentes.

Além disso, cada API contém campos de tipos de dados variados. A API de origem fornece campos de saída que representam informações sobre um conjunto de clientes. A API de destino apresenta campos de entrada que também representam informações do cliente. Normalmente, Bob teria que gastar tempo mapeando manualmente cada campo nas APIs de destino corresponde a um campo na API de origem. Esse esforço tedioso seria exacerbado à medida que o número de APIs de origem e campos de destino aumentasse. O serviço de mapeamento API pode gerar um conjunto de sugestões de alinhamento que Bob pode revisar, editar e salvar rapidamente.

O IBM watsonx Orchestrate™ usa uma combinação de modelos de IA (incluindo LLMs) para simplificar o processo de criação de agentes de IA por meio de recomendações de enriquecimento, sequenciamento e mapeamento de APIs. Na nova fase da evolução, os assistentes de IA poderão sequenciar várias APIs em tempo de execução para atingir as metas de negócios definidas por trabalhadores de conhecimento não técnico, o que democratiza ainda mais a automação. Com o uso dos assistentes de IA, as empresas podem acelerar as iniciativas de automação e reimplantar recursos significativos em áreas que geram mais valor.