Apa itu alur kerja agentik?

Alur kerja agen merupakan proses berbasis AI di mana agen AI otonom membuat keputusan, mengambil tindakan, dan mengoordinasikan tugas dengan intervensi manusia minimal. Alur kerja ini memanfaatkan komponen inti agen cerdas seperti penalaran, perencanaan, dan penggunaan alat untuk melaksanakan berbagai tugas kompleks secara efisien. Otomatisasi tradisional seperti otomatisasi proses robot (RPA), mengikuti aturan dan pola desain yang telah ditentukan sebelumnya. Pendekatan ini bisa memadai untuk tugas berulang yang mengikuti struktur standar. Alur kerja agen bersifat dinamis, menawarkan lebih banyak fleksibilitas dengan beradaptasi dengan data real-time dan kondisi yang tidak terduga. Alur kerja AI Agen mendekati masalah kompleks dalam banyak langkah secara berulang, sehingga agen AI dapat membagi proses bisnis, beradaptasi secara dinamis, dan menyempurnakan tindakan mereka dari waktu ke waktu.

Dengan memungkinkan AI generatif untuk menangani alur kerja yang rumit, organisasi mendapat manfaat dari peningkatan efisiensi operasional, skalabilitas, dan pengambilan keputusan yang tepat. Dengan berbagai kemajuan dalam machine learning dan pemrosesan bahasa alami (NLP) yang terus berlangsung, teknologi AI menjadi semakin umum di berbagai industri yang ingin mengotomatiskan dan mengoptimalkan proses sekaligus mengurangi ketergantungan pada pengawasan manusia. Dampak dari model AI yang berkembang tidak hanya memengaruhi pengembangan perangkat lunak tetapi juga industri seperti perawatan kesehatan, keuangan, sumber daya manusia, dan banyak lagi.

Bayangkan sebuah perusahaan memiliki chatbot dukungan TI yang mengikuti sistem otomatisasi berbasis aturan. Ketika seorang karyawan melaporkan masalah (misalnya, "wifi saya tidak bekerja"), chatbot akan menjalankan decision trees dan memberikan tanggapan yang telah ditentukan sebelumnya. Jika masalah tidak teratasi, chatbot cukup mengeskalasinya ke dukungan manusia. Pendekatan ini efisien untuk masalah dasar yang jelas dan terdefinisi dengan baik, tetapi kesulitan dalam menangani pemecahan masalah yang kompleks dan bertahap yang memerlukan fleksibilitas.

Dengan alur kerja agen, asisten TI melakukan pendekatan pemecahan masalah sebagai proses yang berulang-ulang dan multilangkah. Jika seorang karyawan melaporkan masalah wifi, agen mengikuti proses langkah demi langkah yang dinamis untuk menguraikan alur kerja:

1. Memahami masalah: Agen AI mengumpulkan informasi terperinci dari karyawan, mengajukan pertanyaan klarifikasi seperti, "Apakah perangkat lain terhubung ke jaringan?" atau "Apakah ini dimulai setelah pembaruan terbaru?"

2. Melakukan langkah-langkah diagnostik: Berdasarkan respons pengguna, AI memilih dan menjalankan langkah-langkah pemecahan masalah yang berbeda. AI mungkin akan menguji koneksi router, memeriksa log jaringan, atau menyarankan perubahan pengaturan tertentu, kemudian mengambil dan merangkum informasi ini untuk pengguna.

3. Penggunaan alat adaptif: Jika AI mendeteksi masalah sisi server, AI dapat memanggil API alat pemantauan internal untuk memeriksa pemadaman. Jika masalahnya spesifik pada perangkat, AI dapat mengambil saran pembaruan driver atau menjalankan skrip untuk mengatur ulang pengaturan jaringan.

4. Iterasi berdasarkan hasil: Jika suatu tindakan tidak menyelesaikan masalah, AI menyesuaikan pendekatannya secara dinamis. Sistem ini mungkin akan memeriksa masalah terkait, mencoba kembali proses diagnostik, atau menyarankan solusi alternatif daripada langsung meneruskan masalah ke tingkat yang lebih tinggi.

5. Penyelesaian dan pembelajaran: Jika masalah telah teratasi, AI mencatat solusi tersebut untuk kasus mendatang, sehingga meningkatkan efisiensi pemecahan masalah seiring waktu. Jika tidak dapat diselesaikan, AI akan melakukan eskalasi dengan laporan terperinci, menghemat waktu staf TI dengan meringkas upaya perbaikan.

Komponen inti alur kerja agen terdiri dari:

• Agen AI - Dalam kecerdasan buatan (AI), alur kerja tidak bersifat agen jika tidak terdiri dari agen AI. Agen AI mengacu pada sistem atau program yang mampu melakukan tugas secara otonom atas nama pengguna atau sistem lain dengan merancang alur kerjanya dan memanfaatkan alat yang tersedia.

• Model bahasa besar (LLM) - Inti dari agen AI adalah model bahasa besar. LLM sangat penting untuk memproses dan menghasilkan bahasa alami. Penyesuaian parameter LLM seperti suhu juga akan menghasilkan output yang bervariasi.

• Alat - Untuk memungkinkan LLM memperoleh informasi di luar data yang digunakan dalam pelatihan model, kita harus menyediakan alat. Contoh alat yang umum digunakan termasuk kumpulan data eksternal, pencarian web dan antarmuka pemrograman aplikasi. Kita dapat menggunakan alat untuk menyesuaikan agen AI untuk contoh penggunaan tertentu di luar tugas rutin.

• Mekanisme masukan - Mekanisme masukan seperti human-in-the-loop (HITL) atau bahkan agen lain dapat sangat berguna dalam memfasilitasi proses pengambilan keputusan agen AI dan mengarahkan output.

• Rekayasa prompt - Kinerja alur kerja agen sangat bergantung pada kualitas prompt yang diberikan. Rekayasa prompt membantu model AI generatif memahami dan merespons berbagai kueri dengan lebih baik, dari yang sederhana hingga yang sangat teknis. Berbagai teknik umum dalam rekayasa prompt meliputi chain of thought (CoT), one-shot, zero-shot, dan self-reflection.

• Kolaborasi multiagen - Komunikasi dan pemecahan masalah terdistribusi dalam sistem multiagen (MAS) merupakan kunci untuk contoh penggunaan yang kompleks. Setiap agen dalam sebuah MAS dapat ditugaskan seperangkat alat, algoritma, dan bidang keahlian sehingga agen-agen tersebut tidak perlu mempelajari kembali informasi yang sama. Sebaliknya, agen berbagi informasi yang mereka pelajari dengan MAS lainnya.

• Integrasi - Untuk menyederhanakan proses yang ada, alur kerja agen perlu diintegrasikan dengan infrastruktur yang ada. Sinergi ini tergantung pada persyaratan dan tujuan alur kerja agen. Integrasi data, proses penggabungan data ke dalam basis data pusat agar dapat diakses oleh agen, sering kali menjadi langkah pertama. Bentuk integrasi lainnya termasuk kerangka kerja agen seperti LangChain, LangGraph, crewAI , dan BeeAI IBM. Kerangka kerja orkestrasi agen ini dapat berfungsi sebagai penyedia untuk mencapai skala dan kinerja yang lebih besar. Integrasi alat khusus konteks juga merupakan kunci untuk mencapai output yang relevan.
  

Anekdot pribadi dari Andrew Ng, seorang pemimpin dalam bidang AI, menyoroti kemampuan beradaptasi alur kerja agen. Andrew mengingat demonstrasinya membangun agen AI, di mana salah satu dari banyak alat AI, API pencarian web, gagal. Sistem AI dapat dengan cepat menangani kegagalan dependensi dengan menggunakan alat pencarian Wikipedia yang tersedia. Sistem menyelesaikan tugas dan tetap beradaptasi dengan lingkungan yang berubah. Berkurangnya kebutuhan akan pengawasan manusia mungkin memungkinkan kita untuk mengalihkan upaya kita dari tugas-tugas rutin dan monoton ke pekerjaan yang lebih kompleks yang membutuhkan kecerdasan manusia.

Andrew juga menjelaskan bahwa alur kerja agen tidak hanya penting untuk eksekusi tugas, tetapi juga untuk melatih generasi model bahasa besar (LLM) berikutnya. Dalam alur kerja tradisional yang tidak menggunakan agen, penggunaan output dari satu LLM untuk melatih LLM lain belum terbukti menghasilkan hasil yang efektif. Namun, menggunakan alur kerja agen yang menghasilkan data berkualitas tinggi mengarah pada pelatihan yang berguna.