Agentic AI: 4 motivi per cui è la prossima grande novità nella ricerca sull'AI

Negli ultimi anni l'AI generativa , o gen AI, è stata la novità tra i tecnologi, ma recentemente un nuovo termine si è fatto strada nelle comunità di sviluppo dell' intelligenza artificiale (AI). "Agentico" è l'ultima parola d'ordine nell'ambito dell'AI e, in questo caso, è giusto crederci. L'agentic AI unisce la versatilità e la flessibilità dei modelli linguistici di grandi dimensioni (LLM) e la precisione della programmazione tradizionale.

L'agentic AI si riferisce a un sistema o programma in grado di eseguire autonomamente attività per conto di un utente o di un altro sistema, progettando il proprio workflow e utilizzando gli strumenti disponibili. Il sistema ha "la capacità" per prendere decisioni, intraprendere azioni, risolvere problemi complessi e interagire con ambienti esterni al di là dei dati su cui sono stati addestrati i modelli di machine learning (ML) del sistema.

Gli agenti AI non solo attingono da database e reti, ma possono anche apprendere dal comportamento degli utenti, migliorando nel tempo. L'adattabilità degli agenti consente loro di gestire applicazioni AI complesse e in più fasi che l'AI tradizionale non sarebbe in grado di gestire, rendendoli una parte fondamentale della strategia di automazione dei processi dell'organizzazione moderna.

Se dovessi chiedere a un chatbot LLM generico come ChatGPT quale gelatiera acquistare, la funzionalità di elaborazione del linguaggio naturale (NLP) di quel modello gli consentirebbe di fornire consigli basati sui suoi dati di addestramento, che probabilmente includerebbero informazioni raccolte da Internet. Ma non servono consigli generici provenienti dal passato: servono consigli che tengano conto delle informazioni in tempo reale.

Una piattaforma agentic AI è costituita da un LLM che orchestra il comportamento di più agenti che possono essere implementati in varie applicazioni. Questi agenti potrebbero essere diversi modelli AI o semplici strumenti di ricerca in grado di cercare rapidamente informazioni in una knowledge base o online. Per continuare con l'esempio precedente, immagina se un LLM come GPT avesse accesso anche ai dati di e-commerce in tempo reale e ai tuoi dettagli di pagamento.

Una piattaforma di agentic AI come questa potrebbe non solo dirti che alle persone piace una specifica gelatiera in vendita presso uno specifico rivenditore, ma potrebbe teoricamente effettuare l'acquisto per tuo conto. L'agentic AI ci avvicina ai casi d'uso che fino a poco tempo fa consideravamo fantascienza, in cui le macchine possono completare attività complesse che coinvolgono workflow complessi, un processo decisionale basato sui dati e azioni con un intervento umano minimo.

Ci sono buone ragioni per ritenere che il clamore sull'agentic AI sia giustificato. Eccone 4:

Gli LLM eccellono nell'elaborazione e nella generazione di testo simile a quello umano, rendendo più facile per gli utenti interagire con l'AI utilizzando comandi in linguaggio naturale. Questa funzionalità riduce la necessità di conoscenze esplicite di programmazione. Gli LLM possono generare risposte o azioni basate su una comprensione sfumata e dipendente dal contesto, utile in scenari in cui la programmazione tradizionale potrebbe avere difficoltà a coprire tutti i casi edge. Inoltre, gli LLM sono creativi in attività come la generazione di contenuti, il completamento del codice, il riepilogo e altro ancora. Questa capacità generativa è difficile da replicare con la programmazione tradizionale basata su regole.

Nel frattempo, la programmazione tradizionale è altamente strutturata, deterministica e affidabile, le caratteristiche ideali per attività che richiedono precisione, ripetibilità e verificabilità. I linguaggi di programmazione tradizionali forniscono un controllo granulare sull'esecuzione delle attività, contribuendo a garantire che workflow complessi, algoritmi o requisiti di sistema specifici possano essere definiti e ottimizzati in modo esplicito. La programmazione tradizionale è spesso più efficiente per le attività che richiedono prestazioni elevate o funzioni uniche.

I sistemi di agentic AI offrono il meglio di entrambi i mondi: utilizzano gli LLM per gestire attività che traggono beneficio dalla flessibilità e dalle risposte dinamiche, combinando al contempo queste capacità di AI con la programmazione tradizionale per regole, logica e prestazioni. Questo approccio ibrido consente all'AI di essere sia intuitiva che precisa. Gli agenti possono eseguire autonomamente le attività adattandosi a nuovi dati o ambienti dinamici: un compito difficile per il codice statico. Allo stesso tempo, i processi critici (come la sicurezza o i calcoli) possono fare affidamento su algoritmi deterministici tradizionali.

Un sistema di agentic AI potrebbe contenere semplici agenti riflessi che eseguono un compito semplice in modo efficace e coerente. Gli agenti basati su regole più complessi possono utilizzare la percezione attuale e attingere alla memoria, che consentono loro di ricevere e memorizzare nuove informazioni e di svolgere una gamma di attività più ampia. Gli agenti di apprendimento possono anche inserire nuovi dati, ma possono utilizzarli per informare decisioni successive, migliorando la precisione nel tempo. Una potente piattaforma di agentic AI potrebbe coinvolgere decine o addirittura centinaia di agenti con funzionalità diverse che lavorano insieme.

Gli LLM sono in genere addestrati su set di dati statici che rappresentano un'istantanea delle informazioni fino a un certo punto nel tempo. Gli LLM non possono uscire attivamente e raccogliere nuove informazioni dal web dopo il periodo di addestramento. Possono generare risposte solo in base a ciò che già "sanno". Non possono accedere o aggiornare i dati in tempo reale da fonti esterne da soli.

Gli LLM non possono interagire direttamente con strumenti esterni o trattamento dei dati (come fogli di calcolo, piattaforme cloud o analytics) o configurare autonomamente i sistemi per monitorare e raccogliere dati in tempo reale (come IoT, processi aziendali o log dai sistemi) perché non sono progettati per eseguire attività continue.

L'agentic AI può essere progettata per effettuare ricerche sul Web, chiamate di application programming interface (API) o per interrogare i database. Gli agenti possono recuperare informazioni in tempo reale, effettuare aggiornamenti o estrarre punti dati critici fondamentali per il processo decisionale. Gli agenti possono avviare e gestire attività come la registrazione dei dati, il monitoraggio in tempo reale e l'analisi delle tendenze. Possono tracciare e raccogliere in modo proattivo i flussi di dati da dispositivi IoT, feed di social media o altri sistemi, fornendo agli LLM nuovi input per un processo decisionale e risposte contestuali più informati.

L'agentic AI può utilizzare i feedback in cui cerca attivamente nuovi dati per perfezionare i suoi modelli o processi decisionali. Ciò potrebbe comportare l'interrogazione periodica di nuove fonti, la raccolta del feedback degli utenti o l'analisi dei risultati del mondo reale per aggiornare e migliorare la comprensione o le strategie. In questo modo, l'LLM può ottenere un'ottimizzazione nel tempo a partire da dati più ricchi e in continua evoluzione.

Grazie ai grandi cervelli degli LLM e alle funzionalità mirate degli agenti, l'agentic AI può operare in modo indipendente e autonomo eseguendo compiti specifici senza la necessità di una costante supervisione umana. Ciò consente un funzionamento continuo in ambienti in cui la supervisione umana è limitata o non necessaria. I sistemi autonomi possono mantenere obiettivi a lungo termine, gestire attività in più fasi e monitorare i progressi nel tempo.

Ad esempio, un'agentic AI potrebbe avere il compito di gestire una campagna di marketing, monitorare continuamente le performance, adattare le strategie e ottimizzare i risultati in base al feedback senza la necessità di input umani in ogni fase.

Nel settore sanitario, gli agenti possono monitorare i dati dei pazienti, modificare le raccomandazioni terapeutiche in base ai risultati degli ultimi esami e fornire un feedback in tempo reale ai medici.

Nella cybersecurity, gli agenti possono monitorare continuamente il traffico di rete, i log di sistema e il comportamento degli utenti per individuare anomalie che potrebbero indicare delle potenziali minacce alla sicurezza come malware, attacchi di phishing o tentativi di accesso non autorizzati. Nelle supply chain, l'AI può effettuare ordini presso i fornitori in modo autonomo o modificare i programmi di produzione per mantenere i livelli di inventario a un livello ottimale.

Nelle risorse umane, gli agenti possono analizzare il ruolo e il background del nuovo assunto per creare percorsi di formazione personalizzati per l'onboarding. Può adattare i contenuti e i materiali didattici in base all'esperienza precedente dell'individuo, ai requisiti del ruolo e al ritmo di apprendimento.

Si possono immaginare molte funzioni aziendali attualmente svolte con prodotti software as a service (SaaS) sostituiti o ampliati da sistemi agentici, che consentono ai lavoratori di interagire con i dati ed eseguire attività in modo più efficiente con input in linguaggio naturale e interfacce utente semplificate.

Ad esempio, immaginiamo un sistema di ticketing Utilizzato dagli sviluppatori software per seguire i progressi dei progetti. Un sistema del genere richiede molte tabelle, schede e workflow non sempre facili da capire a prima vista. Per trovare informazioni utili, gli utenti devono cercare i dati giusti, navigando in una serie complessa di menu per ottenere le informazioni di cui hanno bisogno. Quindi, potrebbero aver bisogno di usare tali informazioni per creare una presentazione.

E se, invece di disporre tutti quei dati in tabelle e schede, l'utente dovesse solo chiedere le informazioni di cui ha bisogno in un linguaggio umano e semplice?

Ad esempio, immagina di generare la slide di una presentazione con 5 grafici a barre che rappresentano ogni ticket completato per dipendente per il mese in corso, a partire da 5 anni, il tutto senza dover ordinare manualmente set di dati complessi.

Potrebbe esserci voluta mezz'ora per recuperare quei dati manualmente e un'altra mezz'ora per visualizzarli in un formato ordinato per una presentazione fluida, ma gli agenti potrebbero risolvere il problema in pochi secondi.

Per le organizzazioni che fanno fatica a vedere i benefici della gen AI, gli agenti AI potrebbero essere la chiave per individuare un valore aziendale tangibile. Gli LLM monolitici sono impressionanti ma hanno casi d'uso limitati nel campo dell'AI aziendale. Resta da vedere se le ingenti somme di denaro attualmente versate in una manciata di enormi LLM verranno recuperate in casi d'uso reali, ma l'agentic AI rappresenta un framework promettente che porta gli LLM nel mondo reale, indicando la strada verso un futuro basato sull'AI.