Cosa sono i workflow basati su agenti?

I workflow agentici sono processi guidati dall'AI in cui agenti AI autonomi prendono decisioni, intraprendono azioni e coordinano attività con un minimo intervento umano. Questi workflow utilizzano i componenti di agenti intelligenti come il ragionamento, la pianificazione e l'uso degli strumenti per eseguire attività complesse in modo efficiente. L'automazione tradizionale, come la Robotic Process Automation (RPA), segue regole e modelli di progettazione predefiniti. Questo approccio può essere sufficiente per le attività ripetitive che seguono una struttura standard. I workflow agentici sono dinamici, offrendo una maggiore flessibilità grazie all'adattamento ai dati in tempo reale e alle condizioni impreviste. I workflow di agentic AI affrontano problemi complessi in modo multistep e iterativo, consentendo agli agenti AI di scomporre i processi aziendali, adattarsi dinamicamente e raffinare le proprie azioni nel tempo.

Consentendo all'AI generativa di gestire workflow complessi, le organizzazioni traggono beneficio da una migliore efficienza operativa, scalabilità e processi decisionali informati. Mentre continuiamo a vedere progressi nel machine learning e nell'elaborazione del linguaggio naturale (NLP), la tecnologia AI sta diventando sempre più comune nei settori che cercano di automatizzare e ottimizzare i processi riducendo al contempo la dipendenza dalla supervisione umana. Gli impatti dell'evoluzione dei modelli AI non riguardano solo lo sviluppo di software, ma anche settori come l'assistenza sanitaria, la finanza, le risorse umane e molto altro.

Immagina che un'azienda abbia un chatbot di supporto IT che segue un sistema di automazione basato su regole. Quando un dipendente segnala un problema (ad esempio, "Il mio wifi non funziona"), il chatbot esamina gli alberi decisionali e fornisce risposte predefinite. Se il problema non viene risolto, il chatbot passa semplicemente la segnalazione al supporto umano. Questo approccio è efficace per problemi di base ben definiti, ma presenta difficoltà in caso di risoluzione di problemi complessi e articolati che richiedono adattabilità.

Con un workflow basato su agenti, l'assistente IT affronta la risoluzione dei problemi come un processo iterativo in più fasi. Se un dipendente segnala un problema con il wifi, l'agente segue una procedura dinamica dettagliata per suddividere il workflow:

1. Comprensione del problema: l'agente AI raccoglie informazioni dettagliate dal dipendente, ponendo domande chiarificatrici come: "Ci sono altri dispositivi connessi alla rete?" o "Il problema è iniziato dopo un recente aggiornamento?"

2. Esecuzione delle fasi diagnostiche: in base alle risposte dell'utente, l'AI seleziona ed esegue diverse fasi di risoluzione dei problemi. Potrebbe eseguire il ping del router, controllare i registri di rete o suggerire modifiche specifiche alle impostazioni, recuperando e riassumendo queste informazioni per l'utente.

3. Uso adattivo dello strumento: se l'AI rileva un problema lato server, può chiamare l'API di uno strumento di monitoraggio interno per verificare le interruzioni. Se il problema è specifico del dispositivo, può recuperare suggerimenti per l'aggiornamento del driver o eseguire uno script per ripristinare le impostazioni di rete.

4. Iterazione in base ai risultati: se un'azione non risolve il problema, l'AI modifica il suo approccio in modo dinamico. Potrebbe verificare i problemi correlati, riprovare la diagnostica o suggerire una soluzione diversa invece di limitarsi a un'escalation immediata.

5. Finalizzazione e apprendimento: se il problema viene risolto, l'AI registra la soluzione per i casi futuri, migliorando l'efficienza nella risoluzione dei problemi nel tempo. Se il problema non viene risolto, esegue un escalation con un rapporto dettagliato, che fa risparmiare tempo al personale IT riassumendo i tentativi di correzione.

I componenti principali dei workflow basati su agenti sono:

• Agenti AI: nell'intelligenza artificiale (AI), un workflow non è agentico se non è composto da un agente AI. Un agente AI è un sistema o un programma che è 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.

• Modelli linguistici di grandi dimensioni (LLM): al centro degli agenti AI ci sono i modelli linguistici di grandi dimensioni. Gli LLM sono fondamentali per l'elaborazione e la generazione del linguaggio naturale. La regolazione dei parametri LLM come la temperatura comporterà anche una variazione della qualità dell'output.

• Strumenti: affinché un LLM acquisisca informazioni oltre ai dati utilizzati nell'addestramento del modello, è necessario fornire strumenti. Esempi di strumenti comunemente usati includono dataset, ricerche sul web e application programming interface (API). Possiamo usare strumenti per adattare un agente AI a casi d'uso specifici oltre alle attività di routine.

• Meccanismi di feedback: i meccanismi di feedback come l'human-in-the-loop (HITL) o anche altri agenti possono essere preziosi per facilitare il processo decisionale dell'agente AI e guidarne l'output.

• Prompt engineering: le prestazioni del workflow agentico dipendono fortemente dalla qualità dei prompt forniti. Il prompt engineering aiuta i modelli di AI generativa a comprendere meglio a un ampio ventaglio di quesiti, da quelli più semplici a quelli dal contenuto altamente tecnico, e a darvi risposta. Le tecniche di prompt engineering più comuni includono la catena di pensiero (CoT), il one-shot, lo zero-shot e l'auto-riflessione.

• Collaborazione multiagente: la comunicazione e la risoluzione distribuita dei problemi all'interno dei sistemi multiagente (MAS) sono fondamentali per casi d'uso complessi. A ogni agente all'interno di un MAS può essere designato un set di strumenti, algoritmi e un dominio di "competenza" in modo che gli agenti non imparino tutti di nuovo le stesse informazioni. Invece, gli agenti condividono le informazioni apprese con il resto del MAS.

• Integrazione: per semplificare i processi esistenti, i workflow agentici devono essere integrati con l'infrastruttura esistente. Questa sinergia dipende dai requisiti e dagli obiettivi del workflow. L'integrazione dei dati, il processo di consolidamento dei dati in un database centrale a cui l'agente può accedere, è spesso il primo passo. Altre forme di integrazione includono framework di agenti come LangChain, LangGraph, crewAI e BeeAI di IBM. Questi framework di orchestrazione degli agenti possono fungere da fornitori per ottenere maggiore scalabilità e prestazioni. L'integrazione di strumenti specifici del contesto è fondamentale anche per ottenere output pertinenti.
  

Un aneddoto personale di Andrew Ng, un leader nel settore dell'AI, evidenzia l'adattabilità dei workflow agentici. Andrew ricorda la sua dimostrazione della creazione degli agenti AI, in cui uno dei tanti strumenti di intelligenza artificiale, un'API di ricerca web, fallì. Il sistema AI è stato in grado di gestire rapidamente l'errore di dipendenza utilizzando invece uno strumento di ricerca di Wikipedia disponibile. Il sistema ha completato l'attività e ha continuato ad adattarsi all'ambiente in evoluzione. La minore necessità di supervisione umana potrebbe consentire di spendere meno i nostri sforzi in attività banali e ripetitive e più in lavori complessi che richiedono intelligenza umana.

Andrew spiega anche che i workflow agentici sono significativi non solo per l'esecuzione delle attività, ma anche per la formazione della prossima generazione di LLM. Nei workflow tradizionali e non agentici, è stato riscontrato che l'utilizzo dell'output di un LLM per addestrarne un altro non porti a risultati efficaci. Tuttavia, l'utilizzo di un workflow agentico che produce dati di alta qualità porta a un addestramento utile.