O que é raciocínio agêntico?

Os modelos anteriores de aprendizado de máquina seguiam um conjunto de regras pré-programadas para chegar a uma decisão. Os avanços na IA levaram a modelos de IA com recursos de raciocínio mais evoluídos, mas ainda requerem intervenção humana para converter informações em conhecimento. O raciocínio agêntico leva isso um passo adiante, permitindo que os agentes de IA transformem conhecimento em ação.

O "mecanismo de raciocínio" impulsiona as fases de chamada de ferramentas dos fluxos de trabalho agênticos. O planejamento decompõe uma tarefa em um raciocínio mais gerenciável, enquanto a chamada de ferramentas ajuda a informar a decisão de um agente de IA por meio das ferramentas disponíveis. Essas ferramentas podem incluir interfaces de programação de aplicativos (APIs), conjuntos de dados externos e fontes de dados, como gráficos de conhecimento.

Para as empresas, a IA agêntica pode fundamentar ainda mais o processo de raciocínio em evidências por meio da geração aumentada de recuperação (RAG). Os sistemas RAG podem recuperar dados corporativos e outras informações relevantes que podem ser adicionadas ao contexto de um agente de IA para raciocínio.

O raciocínio agêntico pode ser abordado de diferentes maneiras, com base na arquitetura e no tipo de um agente. Aqui estão algumas técnicas comuns para o raciocínio de agentes de IA, incluindo os prós e contras de cada uma:

    ● Lógica condicional

    ● Heurística

    ● ReAct (raciocínio + ação)

    ● ReWOO (raciocínio sem observação)

    ● Autorreflexão

    ● Raciocínio multiagentes

Agentes de IA simples seguem um conjunto de regras de condição-ação programadas previamente. Essas regras geralmente assumem a forma de declarações “se-então”, em que a parte “se” especifica a condição, e a parte “então” indica a ação. Quando uma condição é atendida, o agente executa a ação correspondente.

Essa metodologia de raciocínio é especialmente adequada para casos de uso específicos de domínio. No setor financeiro, por exemplo, um agente de detecção de fraudes sinaliza uma transação como fraudulenta de acordo com um conjunto de critérios definidos por um banco.

Com a lógica condicional, a IA agêntica não pode agir adequadamente caso se depare com um cenário que não reconhece. Para reduzir essa inflexibilidade, os agentes baseados em modelos usam sua memória e percepção para armazenar um modelo ou estado atual de seu ambiente. Esse estado é atualizado à medida que o agente recebe novas informações. No entanto, os agentes baseados em modelos ainda estão vinculados às suas regras de condição-ação.

Por exemplo, um robô navega por um depósito para estocar um produto em uma prateleira. Ele consulta um modelo do depósito para planejar sua rota, mas, ao detectar um obstáculo, pode alterar o trajeto para evitá-lo e continuar sua travessia.

Os sistemas de agentes de IA também podem usar heurística para raciocínio. Os agentes baseados em objetivos, por exemplo, têm uma meta predefinida. Usando um algoritmo de pesquisa , eles encontram sequências de ações que podem ajudá-los a alcançar seu objetivo e, em seguida, planejam essas ações antes de executá-las.

Por exemplo, um veículo autônomo pode ter um agente de navegação cujo objetivo é sugerir o caminho mais rápido para um destino em tempo real. Ele pode buscar entre diferentes rotas e recomendar a mais rápida.

Semelhantes aos agentes baseados em objetivos, agentes baseados em utilidade também buscam sequências de ações que levem à realização de um objetivo, mas levam em conta a utilidade. Eles usam uma função de utilidade para determinar o resultado mais ideal. No exemplo do agente de navegação, ele pode ser encarregado não apenas de encontrar a rota mais rápida, mas também a que consuma menos combustível.

Esse paradigma de raciocínio envolve um ciclo de pensar-agir-observar para resolver problemas passo a passo e aprimorar as respostas de forma iterativa. Um agente é instruído a gerar traços de seu processo de raciocínio,¹ muito parecido com o que acontece com o raciocínio de cadeia de pensamento em modelos de IA generativa (IA gen) e grandes modelos de linguagem (LLMs). Em seguida, ele age com base nesse raciocínio e observa a saída,² atualizando o contexto com um novo raciocínio com base nas observações. O agente repete o ciclo até chegar a uma resposta ou solução.²

O ReAct se dá bem em tarefas específicas de linguagem natural, e sua rastreabilidade melhora a transparência. No entanto, também pode gerar o mesmo raciocínio e ações repetidamente, o que pode levar a ciclos infinitos.²

Ao contrário do ReAct, o ReWOO remove a etapa de observação e planeja antecipadamente. Esse padrão de design de raciocínio agêntico consiste em três módulos: planejador, trabalhador e solucionador.³

O módulo planejador divide uma tarefa em subtarefas e aloca cada uma delas a um módulo de trabalho. O trabalhador incorpora ferramentas usadas para fundamentar cada subtarefa com evidências e fatos. Por fim, o módulo solucionador sintetiza todas as subtarefas e suas evidências correspondentes para extrair uma conclusão.³

O ReWOO supera o desempenho do ReAct em certos benchmarks de processamento de linguagem natural (NLP). No entanto, adicionar ferramentas extras pode degradar o desempenho do ReWOO, e ele não se dá bem em situações em que tem um contexto limitado sobre seu ambiente.³

A IA agêntica também pode incluir a autorreflexão como parte da avaliação e refinamento dos recursos de raciocínio. Um exemplo disso é o Language Agent Tree Search (LATS), que compartilha semelhanças com o raciocínio da árvore do pensamento em LLMs.

O LATS foi inspirado no método de aprendizado por reforço de Monte Carlo, com os pesquisadores adaptando o Monte Carlo Tree Search para agentes baseados em LLMs.⁴ O LATS constrói uma decision tree que representa um estado como um nó e uma edge como uma ação, busca na árvore por possíveis opções de ação e emprega um avaliador de estado para escolher uma ação específica.² Ele também aplica uma etapa de raciocínio de autorreflexão, incorporando suas próprias observações, bem como feedback de um modelo de linguagem, para identificar quaisquer erros no raciocínio e recomendar alternativas.² Os erros de raciocínio e reflexões são armazenados na memória, servindo como contexto adicional para referência futura.⁴

O LATS se destaca em tarefas mais complexas, como codificação e resposta a perguntas interativas e em automação de fluxos de trabalho, incluindo pesquisa e navegação na web.⁴ No entanto, uma abordagem mais envolvida e uma etapa extra de autorreflexão fazem com que o LATS use mais recursos e tempo em comparação com métodos como o ReAct.²

Sistemas multiagentes consistem em vários agentes de IA trabalhando juntos para resolver problemas complexos. Cada agente é especializado em um determinado domínio e pode aplicar sua própria estratégia de raciocínio agêntico.

No entanto, o processo de tomada de decisão pode variar com base na arquitetura do sistema de IA. Em um ecossistema hierárquico ou vertical, um agente atua como líder da orquestração de IA e decide qual ação tomar. Enquanto isso, em uma arquitetura horizontal, os agentes decidem coletivamente.

O raciocínio está no cerne dos agentes de IA e pode resultar em recursos mais poderosos de IA, mas também tem suas limitações. Aqui estão alguns desafios no raciocínio agêntico:

    ●  Complexidade computacional

    ● Interpretabilidade

    ● Escalabilidade

O raciocínio agêntico pode ser difícil de implementar. O processo também requer tempo e poder computacional significativos, especialmente ao resolver problemas mais complicados do mundo real. As empresas devem encontrar maneiras de otimizar suas estratégias de raciocínio agêntico e estar prontas para investir nas plataformas e recursos de IA necessários para o desenvolvimento.

O raciocínio agêntico pode carecer de explicabilidade e transparência sobre como as decisões foram tomadas. Vários métodos podem ajudar a estabelecer interpretabilidade, e integrar a ética da IA e supervisão humana ao desenvolvimento algorítmico é crítico para garantir que os mecanismos de raciocínio dos agentes tomem decisões de forma justa, ética e precisa.

As técnicas de raciocínio agêntico não são soluções únicas, o que dificulta sua escalabilidade em aplicações de IA. As empresas podem precisar adaptar esses padrões de design de raciocínio para cada um de seus casos de uso, o que requer tempo e esforço.