O que são fluxos de trabalho agênticos?

Fluxos de trabalho agênticos são processos orientados por IA, em que agentes de IA autônomos tomam decisões, executam ações e coordenam tarefas com intervenção humana mínima. Esses fluxos de trabalho aproveitam os principais componentes de agentes inteligentes, como raciocínio, planejamento e uso de ferramentas, para executar tarefas complexas de forma eficiente. A automação tradicional, como a automação robótica de processos (RPA), segue regras predefinidas e padrões de design. Essa abordagem pode ser suficiente para tarefas repetitivas que seguem uma estrutura padrão. Os fluxos de trabalho agênticos são dinâmicos, oferecendo mais flexibilidade por meio da adaptação a dados em tempo real e condições inesperadas. Os fluxos de trabalho agênticos da IA abordam problemas complexos de forma iterativa e em várias etapas, permitindo que os agentes de IA analisem processos de negócios, adaptem-se de forma dinâmica e refinem suas ações ao longo do tempo.

Ao permitir que a IA generativa lide com fluxos de trabalho complexos, as organizações se beneficiam de maior eficiência operacional, escalabilidade e tomada de decisão informadas. Enquanto continuamos a ver avanços em aprendizado de máquina e processamento de linguagem natural (NLP), a tecnologia de IA está se tornando mais comum em setores que buscam automatizar e otimizar processos, reduzindo a dependência da supervisão humana. Os impactos dos modelos de IA em evolução afetam não somente o desenvolvimento de software, mas também setores como saúde, finanças, recursos humanos e outros.

Imagine que uma empresa tem um chatbot de suporte de TI que segue um sistema de automação baseado em regras. Quando um funcionário relata um problema (por exemplo, "Meu Wi-Fi não está funcionando"), o chatbot executa decision trees e fornece respostas predefinidas. Se o problema não for resolvido, o chatbot simplesmente encaminha para o suporte humano. Essa abordagem é eficiente para problemas básicos e bem definidos, mas enfrenta dificuldades com soluções complexas multietapas, que exigem adaptabilidade.

Com um fluxo de trabalho agêntico, o assistente de TI trata a resolução de problemas como um processo iterativo multietapas. Se um funcionário relata um problema com o Wi-Fi, o agente segue um processo dinâmico, etapa por etapa, para desmembrar o fluxo de trabalho:

1. Entendimento do problema: o agente de IA coleta informações detalhadas do funcionário, fazendo perguntas esclarecedoras como: “Outros dispositivos estão conectados à rede?” ou “Isso começou após alguma atualização recente?”

2. Execução de etapas de diagnóstico: com base nas respostas do usuário, a IA seleciona e executa diferentes etapas de resolução de problemas. Ela pode enviar um ping ao roteador, verificar logs de rede ou sugerir alterações específicas de configuração, recuperando e resumindo essas informações para o usuário.

3. Uso de ferramenta adaptativa: se a IA detectar um problema no servidor, poderá chamar uma API de ferramenta de monitoramento interno para verificar se há interrupções. Se o problema for específico do dispositivo, ela pode recuperar sugestões de atualização de drivers ou executar um script para redefinir as configurações de rede.

4. Iteração com base nos resultados: se uma ação não resolver o problema, a IA ajusta sua abordagem dinamicamente. Ela pode verificar outros problemas relacionados, repetir os diagnósticos ou sugerir uma solução diferente em vez de escalar imediatamente a situação.

5. Finalização e aprendizado: se o problema for resolvido, a IA registra a solução para casos futuros, melhorando a eficiência da solução de problemas ao longo do tempo. Se não for resolvido, ele é encaminhado para um relatório detalhado, economizando tempo da equipe de TI ao resumir as tentativas de correções.

Os principais componentes dos fluxos de trabalho agênticos são:

• Agentes de IA - Na inteligência artificial (IA), um fluxo de trabalho não é agêntico se não consistir em um agente de IA. Um agente de IA refere-se a um sistema ou programa capaz de realizar tarefas de forma autônoma em nome de um usuário ou outro sistema, projetando seu fluxo de trabalho e utilizando as ferramentas disponíveis.

• Grandes modelos de linguagem (LLMs) - No núcleo dos agentes de IA estão grandes modelos de linguagem. Os LLMs são cruciais para o processamento e geração de linguagem natural. O ajuste dos parâmetros do LLM, como a temperatura, também resultará em qualidade de saída variável.

• Ferramentas - para que um LLM adquira informações além dos dados utilizados no treinamento do modelo, devemos fornecer ferramentas. Exemplos de ferramentas comumente usadas incluem conjuntos de dados externos, pesquisas na web e interfaces de programação de aplicativos (APIs). Podemos usar ferramentas para personalizar um agente de IA para casos de uso específicos além das tarefas rotineiras.

• Mecanismos de feedback - Mecanismos como o human-in-the-loop (HITL) ou o apoio de outros agentes ajudam a orientar a tomada de decisão dos agentes de IA e a melhorar as saídas do agente.

• Engenharia de prompts - O desempenho do fluxo de trabalho agêntico depende fortemente da qualidade dos prompts fornecidos. A engenharia de prompts ajuda os modelos de IA generativa a compreender e responder melhor a uma ampla gama de consultas, das mais simples às mais técnicas. Técnicas comuns de engenharia de prompts incluem cadeia de pensamento (CoT), one-shot, zero-shot e autorreflexão.

• Colaboração multiagentes - A comunicação e a resolução de problemas distribuídos em sistemas multiagentes (MASs) são fundamentais para casos de uso complexos. Cada agente dentro de um MAS pode ser designado a um conjunto de ferramentas, algoritmos e um domínio de "conhecimento especializado", para que os agentes não estejam reaprendendo as mesmas informações. Em vez disso, os agentes estão compartilhando suas informações aprendidas com o resto do MAS.

• Integrações - Para simplificar os processos existentes, os fluxos de trabalho agênticos precisam ser integrados à infraestrutura existente. Essa sinergia depende dos requisitos e objetivos do fluxo de trabalho agêntico. A integração de dados, o processo de consolidação de dados em um banco de dados central para o agente acessar, geralmente é a primeira etapa. Outras formas de integração incluem frameworks de agentes, como LangChain, LangGraph, CrewAI e BeeAI da IBM. Essas frameworks de orquestração de agentes podem servir como provedores para alcançar maior escala e desempenho. A integração de ferramentas específicas do contexto também é fundamental para alcançar saídas relevantes.
  

Um caso pessoal de Andrew Ng, líder em IA, destaca a adaptabilidade dos fluxos de trabalho dos agentes. Andrew relembra sua demonstração de construção de agentes de IA, na qual uma das muitas ferramentas de IA, uma API de pesquisa na web, falhou. O sistema de IA foi capaz de lidar rapidamente com a falha de dependência usando uma ferramenta de pesquisa disponível na Wikipedia. O sistema concluiu a tarefa e permaneceu adaptável ao ambiente em mudança. A menor necessidade de supervisão humana pode permitir que nosso esforço seja gasto menos em tarefas mundanas e repetitivas e mais em trabalhos complexos que exigem inteligência humana.

Andrew também explica que os fluxos de trabalho agênticos são relevantes não apenas para a execução de tarefas, mas também para o treinamento da próxima geração de LLMs. Em fluxos de trabalho tradicionais, não agênticos, usar a produção de um LLM para treinar outro não levou a resultados efetivos. No entanto, usar um fluxo de trabalho agêntico que produz dados de alta qualidade leva a um treinamento útil.