Gli assistenti AI ottimizzano l'automazione mediante agenti basati su API

Gli assistenti basati sull'AI generativa stanno trasformando le aziende mediante l'uso di interfacce conversazionali intelligenti. Capaci di comprendere e generare risposte e contenuti simili a quelli umani, questi assistenti stanno rivoluzionando il modo in cui umani e macchine collaborano. I modelli linguistici di grandi dimensioni (LLM) sono al centro di questa nuova rivoluzione. Gli LLM vengono addestrati su grandi quantità di dati e possono essere utilizzati in infinite applicazioni. Possono essere facilmente ottimizzati per casi d'uso aziendali specifici con alcuni esempi di formazione.

Stiamo assistendo a una nuova fase di evoluzione, mentre gli assistenti AI vanno oltre le conversazioni e imparano a utilizzare gli strumenti tramite agenti che potrebbero chiamare le Application Programming Interfaces (API) per raggiungere obiettivi aziendali specifici. Attività che prima richiedevano ore possono ora essere completate in pochi minuti grazie all'orchestrazione di un ampio catalogo di agenti riutilizzabili. Inoltre, questi agenti possono essere composti insieme per automatizzare workflow complessi.

Gli assistenti AI possono utilizzare agenti basati su API per aiutare i knowledge worker in attività banali come la creazione di descrizioni di lavoro, l'inserimento di report nei sistemi delle risorse umane, la ricerca di candidati e altro ancora. Ad esempio, un responsabile HR può chiedere a un assistente AI di creare una descrizione del lavoro per un nuovo ruolo, e l'assistente può generare una descrizione dettagliata che soddisfi i requisiti dell'azienda. Allo stesso modo, un recruiter può chiedere a un assistente AI di individuare candidati per un'offerta di lavoro, e l'assistente può fornire una lista di candidati qualificati provenienti da varie fonti. Con gli assistenti AI, i knowledge worker possono risparmiare tempo e concentrarsi su problemi più complessi e creativi.

Gli sviluppatori di automazione possono anche utilizzare la potenza degli assistenti AI per creare automazioni in modo rapido e semplice. Anche se può sembrare un enigma, gli assistenti AI impiegano l'AI generativa per automatizzare il processo stesso di automazione. Ciò rende la creazione di agenti più semplice e veloce. Ci sono due fasi essenziali nella creazione degli agenti per l'automazione aziendale: la formazione e l'arricchimento per i casi d'uso target e l'orchestrazione di un catalogo di agenti multipli.

Le API sono la spina dorsale degli agenti AI. Costruire agenti basati sulle API è un compito complesso che comporta l'interazione conversazionale con un utente, identificare le API necessarie per raggiungere un obiettivo utente, porre domande per raccogliere gli argomenti necessari per l'API, rilevare le informazioni fornite dall'utente durante l'invocazione dell'API, arricchire le API con esempi di enunciati e generare risposte basate sui valori di ritorno dell'API. Per uno sviluppatore esperto, tutto questo processo può richiedere ore. Tuttavia, gli LLM possono automatizzare questi passaggi. Questo permette ai builder di addestrare e arricchire API più rapidamente per compiti specifici.

Supponiamo che Bob, un builder di automazione, voglia creare agenti basati su API per aiutare i venditori aziendali a recuperare una lista di clienti target. Il primo passo è importare l'API "Recupera i miei clienti" nell'assistente AI. Tuttavia, per rendere questa automazione disponibile come agente, Bob deve compiere diversi passaggi manuali e tediosi, che includono l'addestramento del classificatore del linguaggio naturale con espressioni di esempio. Con l'aiuto degli LLM, gli assistenti AI possono generare automaticamente esempi di enunciati di addestramento dalle specifiche OpenAPI. Questa capacità può ridurre notevolmente lo sforzo manuale richiesto. Una volta che il foundation model è stato perfezionato per la comprensione semantica, può comprendere meglio i prompt e le intenzioni degli utenti business. Bob può comunque rivedere e manipolare le domande generate usando un approccio human-in-the-loop.

Presto, il processo di creazione degli agenti sarà completamente automatizzato grazie all'identificazione delle API, al riempimento degli slot e all'arricchimento delle API. Questo ridurrà il tempo necessario per creare l'automazione, ridurrà le barriere tecniche e migliorerà i cataloghi degli agenti riutilizzabili.

La creazione di flussi di automazione che utilizzano più API può essere tecnicamente complessa e richiedere molto tempo. Per collegare più API, è importante identificare, sequenziare e invocare il giusto insieme di API per raggiungere un obiettivo aziendale specifico. Gli assistenti AI utilizzano LLM e tecniche di pianificazione per semplificare questo processo e ridurre le barriere tecniche. Gli LLM possono funzionare come un potente sistema di raccomandazione, suggerendo le API più adatte in base all'uso, alle somiglianze e alle descrizioni.

I costruttori devono allineare gli input e output di più API per comporre automazioni multi-agente, un processo tedioso e soggetto a errori. La mappatura API guidata da LLM automatizza questo processo di allineamento basandosi su attributi e documentazione API. Ciò semplifica il riutilizzo delle API esistenti da cataloghi di grandi dimensioni da parte degli sviluppatori di automazione, senza interventi manuali.

Ora, supponiamo che il nostro builder di automazione, Bob, voglia creare un'automazione multi-API più complessa che permetta ai venditori di recuperare una lista di clienti e successivamente generare una lista di raccomandazioni personalizzate di prodotto. Dopo aver importato e arricchito l'agente API "Retrieve My Customers", la caratteristiche di sequenziamento integrata in LLM può raccomandare automaticamente l'API "Generate Product Recommendations". Questo significa che Bob non deve setacciare ogni API singolarmente per scoprire quella più adatta dal vasto catalogo di agenti.

Inoltre, ogni API contiene campi di diversi tipi di dati. L'API di origine fornisce campi di output che rappresentano informazioni su un insieme di clienti. L'API target presenta campi di input che rappresentano anche le informazioni sui clienti. Tipicamente, Bob dovrebbe dedicare tempo a mappare manualmente ogni campo nelle API target a un campo corrispondente nell'API sorgente. Questo sforzo noioso si aggraverebbe con l'aumento del numero di API di origine e di campi di destinazione. Il servizio di mappatura API può generare un insieme di suggerimenti di allineamento che Bob può rapidamente rivedere, modificare e salvare.

IBM® watsonx Orchestrate utilizza una combinazione di modelli AI (inclusi LLM) per semplificare il processo di creazione di Agente AI tramite raccomandazioni di arricchimento, sequenziamento e mappatura delle API. Nella nuova fase di evoluzione, gli assistenti AI saranno in grado di sequenziare più API in tempo di esecuzione per raggiungere obiettivi aziendali definiti da lavoratori della conoscenza non tecnici, il che democratizza ulteriormente l'automazione. Sfruttando gli assistenti AI, le aziende possono accelerare le proprie iniziative di automazione e ridistribuire risorse significative verso aree che generano più valore.