Che cos'è l'agentic reasoning?

I precedenti modelli di apprendimento automatico seguivano una serie di regole preprogrammate per arrivare a una decisione. I progressi dell'AI hanno portato a modelli AI con capacità di ragionamento più evolute, ma richiedono comunque l'intervento umano per convertire le informazioni in conoscenza. Il ragionamento agentico fa un ulteriore passo avanti, consentendo agli agenti AI di trasformare la conoscenza in azione.

Il "motore di ragionamento" alimenta le fasi di pianificazione e di tool calling dei workflow agentici. La pianificazione scompone un compito in ragionamenti più gestibili, mentre il tool calling aiuta a informare la decisione di un agente AI attraverso gli strumenti disponibili. Questi strumenti possono includere application programming interface (API), set di dati esterni e fonti di dati come i knowledge graph.

Per le aziende, l'agentic AI può ulteriormente basare il processo di ragionamento sulle prove attraverso la retrieval augmented generation (RAG). sistemi RAG possono recuperare dati aziendali e altre informazioni pertinenti che possono essere aggiunte al contesto di un agente AI per il ragionamento.

Il ragionamento agentico può essere affrontato in diversi modi in base all'architettura e al tipo di agente. Ecco alcune tecniche comuni per il ragionamento dell'agente AI, inclusi i pro e i contro di ciascuna:

    ● Logica condizionale

    ● Euristica

    ● ReAct (Reason + Act)

    ● ReWOO (Reasoning WithOut Observation)

    ● Autoriflessione

    ● Ragionamento multiagente

Gli agenti AI semplici seguono una serie di regole pre-programmate di condizione-azione. Queste regole di solito assumono la forma di dichiarazioni "if-then", in cui la parte "if" specifica la condizione e la parte "then" indica l'azione. Quando una condizione viene soddisfatta, l'agente esegue l'azione corrispondente.

Questa metodologia di ragionamento è particolarmente adatta per casi d'uso specifici del dominio. Nella finanza, ad esempio, un agente per il rilevamento delle frodi contrassegna una transazione come fraudolenta in base a una serie di criteri definiti da una banca.

Con la logica condizionale, l'agentic AI non può agire di conseguenza se si imbatte in uno scenario che non riconosce. Per ridurre questa inflessibilità, gli agenti basati su modelli usano la memoria e la percezione per memorizzare un modello o uno stato attuale del loro ambiente. Questo stato viene aggiornato quando l'agente riceve nuove informazioni. Gli agenti basati su modello, tuttavia, sono ancora vincolati dalle loro regole di condizione-azione.

Ad esempio, un robot si sposta in un magazzino per collocare un prodotto su uno scaffale. Consulta un modello del magazzino per il percorso da seguire, ma quando rileva un ostacolo, può modificare il suo percorso per evitarlo e continuare il suo tragitto.

I sistemi di agenti AI possono anche utilizzare l'euristica per il ragionamento. Gli agenti basati sugli obiettivi, ad esempio, hanno un obiettivo preimpostato. Utilizzando un algoritmo di ricerca, trovano sequenze di azioni che possono aiutarli a raggiungere il loro obiettivo e poi pianificano queste azioni prima di eseguirle.

Ad esempio, un veicolo autonomo può avere un agente di navigazione il cui obiettivo è suggerire il percorso più rapido verso una destinazione in tempo reale. Può cercare tra diversi percorsi e consigliare il più veloce. 1

Come gli agenti basati su obiettivi, gli agenti basati sull'utilità cercano sequenze di azioni che raggiungano un obiettivo, ma tengono conto anche dell'utilità. Impiegano una funzione di utilità per determinare il risultato più ottimale. Nell'esempio che abbiamo fatto, l'agente di navigazione può essere incaricato di trovare non solo il percorso più rapido, ma anche quello che consumerà la minore quantità di carburante.

Questo paradigma di ragionamento prevede un ciclo pensa-agisci-osserva per la risoluzione graduale dei problemi e il miglioramento iterativo delle risposte. Un agente viene istruito a generare tracce del suo processo di ragionamento¹, in modo molto simile a quanto avviene con il ragionamento a catena di pensiero nei modelli di AI generativa (gen AI) e nei modelli linguistici di grandi dimensioni (LLM). Quindi agisce in base a quel ragionamento e ne osserva l'output,² aggiornando il contesto con un nuovo ragionamento basato sulle sue osservazioni. L'agente ripete il ciclo fino a quando non ottiene una risposta o una soluzione.²

ReAct svolge bene le attività specifiche del linguaggio naturale e la sua tracciabilità migliora la trasparenza. Tuttavia, può anche generare ripetutamente lo stesso ragionamento e le stesse azioni, portando a loop infiniti.²

A differenza di ReACT, ReWoo elimina la fase di osservazione e pianifica invece in anticipo. Questo modello di progettazione del ragionamento agentico è composto da 3 moduli: uno pianificatore, uno lavoratore e uno risolutore.³

Il modulo pianificatore suddivide un'attività in sottoattività e assegna ciascuna di esse a un modulo lavoratore. Il lavoratore incorpora gli strumenti utilizzati per comprovare ogni sottoattività con prove e fatti. Infine, il modulo risolutore sintetizza tutte le sottoattività e le prove corrispondenti per trarre una conclusione.³

ReWoo supera ReAct in alcuni benchmark di elaborazione del linguaggio naturale (NLP). Tuttavia, l'aggiunta di strumenti extra può ridurre le prestazioni di ReWOO, che non funziona bene in situazioni in cui dispone di un contesto limitato sul suo ambiente.³

L'agentic AI può anche includere l'autoriflessione come parte della valutazione e del perfezionamento delle sue funzionalità di ragionamento. Un esempio di ciò è la Language Agent Tree Search (LATS), che condivide delle somiglianze con il ragionamento basato sull'albero del pensiero negli LLM.

La LATS si è ispirata al metodo Monte Carlo di apprendimento per rinforzo, con i ricercatori che hanno adattato la Monte Carlo Tree Search per agenti basati su LLM.⁴ La LATS crea un albero decisionale che rappresenta uno stato come nodo e un edge come azione, cerca nell'albero le potenziali opzioni di azione e impiega un valutatore di stato per scegliere un'azione particolare.² Applica anche una fase di ragionamento autoriflessivo, che incorpora le proprie osservazioni e il feedback di un modello linguistico per identificare eventuali errori di ragionamento e consigliare alternative.² Gli errori di ragionamento e le riflessioni vengono memorizzati in memoria, fungendo da contesto aggiuntivo per riferimenti futuri.⁴

La LATS eccelle in attività più complesse come la codifica e la risposta interattiva alle domande e nell'automazione del workflow, comprese la ricerca e la navigazione sul web.⁴ Tuttavia, un approccio più coinvolto e un'ulteriore fase di autoriflessione rendono la LATS più dispendiosa in termini di risorse e tempo rispetto a metodi come ReAct.²

I sistemi multiagente sono costituiti da più agenti AI che lavorano insieme per risolvere problemi complessi. Ogni agente è specializzato in un determinato dominio e può applicare la propria strategia di ragionamento agentico.

Tuttavia, il processo decisionale può variare in base all'architettura del sistema di intelligenza artificiale. In un ecosistema gerarchico o verticale, un agente funge da leader per l'orchestrazione AI e decide quale azione intraprendere. Nel frattempo, in un'architettura orizzontale, gli agenti decidono collettivamente.

Il ragionamento è alla base degli agenti AI e può portare a capacità AI più potenti, ma presenta anche dei limiti. Ecco alcune sfide nel ragionamento agentico:

    ● Complessità computazionale

    ● Interpretabilità

    ● Scalabilità

Il ragionamento agentico può risultare difficile da implementare. Il processo richiede anche molto tempo e potenza di calcolo, soprattutto quando si risolvono i problemi più complicati del mondo reale. Le aziende devono trovare modi per ottimizzare le loro strategie di ragionamento agentico ed essere pronte a investire nelle piattaforme e nelle risorse AI necessarie per lo sviluppo.

Il ragionamento agentico potrebbe mancare di spiegabilità e trasparenza su come sono state prese le decisioni. Vari metodi possono contribuire a garantire l'interpretabilità, e l'integrazione dell'etica dell'AI e della supervisione umana nello sviluppo algoritmico è fondamentale per assicurare che i motori di ragionamento agentico prendano decisioni in modo equo, etico e accurato.

Le tecniche di ragionamento agentico non sono soluzioni universali, il che rende difficile scalarle nelle applicazioni di AI. Le aziende potrebbero dover personalizzare questi modelli di progettazione del ragionamento per ciascuno dei loro casi d'uso, il che richiede tempo e impegno.