Crea un agente AI pronto per la produzione con watsonx Orchestrate

L'Agent Development Lifecycle (ADLC) fornisce un framework strutturato per progettare, sviluppare, distribuire e migliorare continuamente gli agenti AI negli ambienti aziendali.

Gli agenti AI sono sistemi probabilistici basati sui dati il cui comportamento si evolve in base a dati, utilizzo e contesto. Di conseguenza, devono essere gestiti come sistemi in continua evoluzione, anziché come implementazioni una tantum.

Il ciclo di vita segue una sequenza iterativa,

Pianificazione → Sviluppo → Test → Distribuzione → Monitoraggio → Gestione operativa

Ogni fase garantisce che l'agente rimanga affidabile, scalabile, osservabile e adattabile all'evoluzione dei requisiti.

In questa implementazione, l'attenzione è rivolta alla fase di Sviluppo (Build) dell'ADLC.

La fase di Sviluppo (Build) si concentra sulla trasformazione del caso d'uso aziendale pianificato in un agente AI funzionale e pronto per l'ambiente di produzione, utilizzando IBM watsonx Orchestrate.

L'agente viene inizialmente creato con un ruolo operativo chiaramente definito e un obiettivo di business allineato al caso d'uso aziendale. Le fonti di conoscenza aziendali vengono quindi collegate all'agente per consentire un ragionamento basato su dati concreti, utilizzando set di dati operativi quali ordini, inventario e regole di business.

Un workflow agentico è configurato come livello di orchestrazione per supportare il ragionamento a più fasi, l'analisi operativa e la generazione di raccomandazioni. Il workflow elabora l'input dell'utente, analizza gli ordini in ritardo e le condizioni dell'inventario, applica le regole operative di business e genera raccomandazioni spiegabili.

Il comportamento dell'agente è definito mediante prompt aziendali strutturati che guidano il modo in cui interpreta le richieste operative, richiama i workflow, applica la logica di business e genera risposte basate sui dati disponibili.

Il workflow definisce una pipeline completa di esecuzione operativa che copre:

Input dell'utente → Analisi degli ordini → Analisi dell'inventario → Valutazione delle regole di business → Generazione delle raccomandazioni → Output

La soluzione viene quindi validata utilizzando scenari operativi rappresentativi, per garantire che l'agente produca output accurati, spiegabili e strutturati, in linea con i requisiti operativi aziendali.

L'agente AI è progettato per supportare i team operativi dell'e-commerce analizzando i dati relativi agli ordini e all'inventario, al fine di identificare i ritardi, determinarne le cause principali e raccomandare le azioni correttive.

Un agente AI è un sistema in grado di comprendere l'input dell'utente, recuperare i dati pertinenti, applicare capacità di ragionamento e generare risultati fruibili. Negli ambienti aziendali, gli agenti operano all'interno di workflow strutturati e interagiscono con i sistemi aziendali per fornire insight coerenti e spiegabili.

I team operativi si trovano comunemente ad affrontare sfide quali ritardi nelle consegne, carenze di inventario e una limitata visibilità sulle cause principali dei problemi. Queste problematiche richiedono spesso indagini manuali attraverso molteplici sistemi, con conseguenti inefficienze e ritardi nei processi decisionali.

Quando un utente invia una richiesta come "Perché gli ordini di iPhone 14 sono in ritardo?"

L'agente esegue la seguente sequenza:

• Interpreta la query per identificare il prodotto e l'intento.
• Recupera i dati degli ordini per analizzare i pattern di ritardo. 
• Recupera i dati dell'inventario per valutare la disponibilità delle scorte.
• Applica le regole di business per determinare la causa principale. 
• Genera una risposta strutturata contenente insight e azioni raccomandate.

L'agente segue un flusso di esecuzione strutturato:

Richiesta dell'utente → Comprensione dell'intento → Invocazione degli strumenti → Repository di conoscenza Astra DB → Recupero semantico delle informazioni → Valutazione delle regole di business → Generazione delle raccomandazioni → Risposta strutturata → Output finale

Perché questo approccio è importante?

Questo approccio combina dati aziendali, regole di business e un processo di ragionamento strutturato per produrre output affidabili e spiegabili. Basando le risposte su dati reali e applicando un workflow coerente, l'agente garantisce accuratezza e riduce al minimo le conclusioni non supportate dai dati. Gli output strutturati consentono la valutazione, il monitoraggio e l'integrazione con i sistemi a valle.

Questo rende la soluzione adatta agli ambienti aziendali, dove coerenza, tracciabilità e affidabilità sono requisiti essenziali.

Questa implementazione fornisce un agente AI pronto per la produzione che:

• Recupera e analizza i dati aziendali utilizzando strumenti integrati.
• Applica il ragionamento basato su regole per identificare i problemi operativi. 
• Genera output strutturati per il consumo a valle. 
• Supporta fasi del ciclo di vita come test, implementazione, monitoraggio e ottimizzazione. 

Completando questa implementazione, sarai in grado di:

• Creare un agente AI in watsonx Orchestrate 
• Integrare i dati aziendali utilizzando Astra DB
• Definire un comportamento strutturato utilizzando i prompt 
• Implementare un workflow di ragionamento 
• Generare output coerenti e strutturati.

• Accesso a IBM watsonx Orchestrate 
  
• Accesso ad Astra DB
• Comprensione di base degli agenti AI e dei modelli linguistici di grandi dimensioni 
• Set di dati di esempio forniti in questo tutorial

Passaggio 1: preparare i dati campione

Vengono creati set di dati strutturati (ordini e inventario) per simulare i sistemi aziendali. Questi set di dati permettono all'agente di recuperare e analizzare valori reali come ritardi, livelli delle scorte e distribuzione tra i magazzini. Le regole di business definiscono il modo in cui l'agente interpreta questi dati per identificare le cause principali. 

orders_data.csv 
order_id,product,order_date,delivery_date,status,delay_days,warehouse 
1001,iPhone 14,2026-04-01,2026-04-05,delayed,4,WH1 
1002,iPhone 14,2026-04-02,2026-04-06,delayed,4,WH1 
1003,iPhone 14,2026-04-03,2026-04-07,delayed,4,WH2 
1004,iPhone 14,2026-04-04,2026-04-08,delayed,4,WH2 
1005,Samsung S23,2026-04-01,2026-04-03,delivered,0,WH1 
1006,Samsung S23,2026-04-02,2026-04-04,delivered,0,WH2 
1007,Pixel 8,2026-04-01,2026-04-06,delayed,5,WH3 
1008,Pixel 8,2026-04-02,2026-04-07,delayed,5,WH3 
1009,Pixel 8,2026-04-03,2026-04-05,delivered,0,WH3 
1010,OnePlus 12,2026-04-01,2026-04-02,delivered,0,WH1 
1011,OnePlus 12,2026-04-02,2026-04-06,delayed,4,WH2 
1012,OnePlus 12,2026-04-03,2026-04-07,delayed,4,WH2

inventory_data.csv 
product,stock,warehouse,reorder_level 
iPhone 14,0,WH1,20 
iPhone 14,0,WH2,20 
Samsung S23,50,WH1,15 
Samsung S23,40,WH2,15 
Pixel 8,10,WH3,25 
OnePlus 12,5,WH2,15

business_rules.txt 
If stock = 0 → stockout issue 
If delay_days > 3 → logistics issue 
If multiple delayed orders (>2) → supply chain issue 
If stock < reorder_level → replenishment needed 
If delays across multiple warehouses → systemic issue

Questi set di dati campione sono una rappresentazione semplificata dei sistemi operativi aziendali. In questa implementazione, le informazioni strutturate relative a ordini, inventario e regole di business vengono trasformate in documenti di conoscenza in linguaggio naturale e memorizzate in Astra DB. Questo repository vettoriale esterno consente il recupero semantico delle informazioni e offre un'architettura retrieval-augmented generation (RAG) più realistica rispetto agli approcci basati su file statici. 

Passaggio 2: creare l'agente

Vai a Build → Agents e seleziona Create agent. 

Un agente viene creato in watsonx Orchestrate con un nome e una descrizione definiti. Questo definisce lo scopo dell'agente come consulente per la gestione degli ordini e dell'inventario, responsabile dell'analisi dei dati e della formulazione di raccomandazioni.

Nome: Order and Inventory Advisor 

Descrizione: Agente di AI che analizza i dati relativi agli ordini e all'inventario per identificare i ritardi, determinarne le cause principali e raccomandare le azioni correttive.

Passaggio 3: aggiungere Enterprise usando Astra DB

Vai a Knowledge → Add Source e seleziona Astra DB come repository della conoscenza aziendale. 

Anziché basarsi su file statici durante l'esecuzione, l'agente AI utilizza Astra DB come database vettoriale esterno per memorizzare e recuperare la conoscenza operativa.

I set di dati operativi preparati in precedenza, inclusi ordini, dati di inventario e regole di business, vengono trasformati in documenti di conoscenza in linguaggio naturale e caricati in una raccolta con supporto vettoriale all'interno di Astra DB. Questi documenti rappresentano nel loro insieme la conoscenza operativa necessaria all'agente AI per comprendere i ritardi degli ordini, le carenze di inventario, la distribuzione tra i magazzini e le policy aziendali.

Tra gli esempi di conoscenza archiviata nel repository rientrano informazioni sugli ordini in ritardo, la disponibilità delle scorte, le condizioni dei magazzini, le interruzioni della logistica e le regole operative. Questo repository funge da memoria aziendale per l'agente di AI.

In Astra DB viene creata una raccolta con supporto vettoriale e vengono generati gli embedding dei documenti per supportare la ricerca semantica delle informazioni. Durante l'esecuzione, IBM watsonx Orchestrate interroga Astra DB per recuperare i record operativi più pertinenti in base alla richiesta dell'utente. Le informazioni recuperate vengono quindi utilizzate dall'agente per eseguire un ragionamento basato sui dati e generare raccomandazioni spiegabili.

Il repository contiene informazioni relative a:

• Record di consegna degli ordini e informazioni sui ritardi.
• Disponibilità di inventario e soglie di riordino.
• Distribuzione tra i magazzini e condizioni delle scorte.
• Eventi logistici e interruzioni operative.
• Regole di business che governano i processi di rifornimento ed escalation.

Dopo il caricamento dei documenti di conoscenza in Astra DB, il repository viene collegato a IBM watsonx Orchestrate e configurato come fonte di conoscenza aziendale per l'Order and Inventory Advisor.

Il repository supporta le modalità di ricerca per parole chiave, vettoriale e ibrida, consentendo un recupero efficiente delle informazioni aziendali sia strutturate sia non strutturate. Questa funzionalità consente all'agente di recuperare la conoscenza operativa pertinente e generare risposte basate esclusivamente sui dati aziendali disponibili.

Le istruzioni dettagliate per configurare la connessione ad Astra DB, l'autenticazione, la selezione del key space, le modalità di embedding, le modalità di ricerca e la mappatura dei campi sono disponibili nella documentazione IBM:

Connessione a un repository di contenuti Astra DB: https://www.ibm.com/docs/en/watsonx/watson-orchestrate/base?topic=agents-connecting-astra-db-content-repository

Vengono configurati un nome descrittivo per la fonte di conoscenza e una descrizione del repository, per fornire ulteriore contesto all'agente AI.

Nome della conoscenza:

Order and Inventory Astra Repository

Descrizione:

Repository di conoscenza aziendale contenente record degli ordini, informazioni sull'inventario, dettagli sulla distribuzione tra i magazzini, informazioni logistiche e regole di business operative utilizzati dall'Order and Inventory Advisor. Il repository consente il recupero semantico e la generazione di raccomandazioni operative basate sui dati.

L'agente AI utilizza il recupero selettivo di questa conoscenza aziendale basata sui dati per identificare gli ordini in ritardo, rilevare le carenze di inventario, analizzare i rischi relativi ai magazzini e valutare le regole di business operative. Le raccomandazioni vengono generate esclusivamente sulla base della conoscenza recuperata, garantendo che le risposte rimangano spiegabili e allineate ai requisiti di governance aziendale.

Questo livello di grounding migliora l'accuratezza delle risposte, l'affidabilità operativa e la spiegabilità, garantendo che tutti gli insight generati derivino esclusivamente dalla conoscenza aziendale, anziché da ipotesi non supportate dai dati.

Utilizzando Astra DB come repository vettoriale esterno, la soluzione adotta un'architettura retrieval-augmented generation (RAG) e dimostra come IBM watsonx Orchestrate possa integrarsi con i repository di conoscenza aziendale per fornire intelligence operativa scalabile, spiegabile e pronta per l'ambiente di produzione.

Passaggio 4: aggiungere il Toolset 

Vai a Toolset → Add Tool nella schermata di configurazione dell'agente e seleziona Agentic Workflow come strumento operativo aziendale.

Il workflow agentico funge da motore di orchestrazione responsabile della gestione dell'interazione con l'utente, del ragionamento operativo, dell'analisi della conoscenza aziendale e della generazione delle raccomandazioni. Questo workflow consente all'agente di AI di eseguire un ragionamento articolato in più fasi sugli ordini in ritardo, sulle carenze di inventario, sui rischi relativi ai magazzini e sulla valutazione delle regole di business.

Configura il workflow con i seguenti dettagli: 

Nome: Order Delay Analysis Workflow

Descrizione: workflow per l'analisi degli ordini in ritardo, delle carenze di inventario, dei rischi logistici e delle regole di business operative utilizzando conoscenza aziendale basata sui dati. 

Una volta aggiunto, il workflow diventa disponibile all'interno del toolset dell'agente e può essere invocato automaticamente durante le conversazioni con gli utenti. L'agente utilizza questo workflow per elaborare le richieste operative, recuperare insight aziendali basati sui dati, applicare le regole di business e generare raccomandazioni spiegabili.

Passaggio 4.1: configurare le attività del workflow 

All'interno del workflow agentico, configura una pipeline di ragionamento operativo articolata in più fasi utilizzando attività di prompt generativi e fasi di interazione con l'utente. 

Il workflow inizia con una fase di raccolta dell'input dell'utente, durante la quale l'utente fornisce una richiesta operativa relativa a un prodotto, ad esempio: 

Perché gli ordini di l'iPhone 14 sono in ritardo?

La prima fase, Enter Product Query, raccoglie la query operativa dall'utente. Questo input viene poi passato alla pipeline di ragionamento AI per l'analisi aziendale. 

La seconda fase, Analyse Order Delays, valuta gli ordini in ritardo, le tempistiche di consegna, i modelli di distribuzione tra i magazzini e i rischi legati alla logistica. Questa fase aiuta a identificare i colli di bottiglia operativi e i comportamenti che determinano i ritardi nelle spedizioni.

La terza fase, Analyse Inventory, valuta la disponibilità dell'inventario, i livelli delle scorte, le soglie di riordino e le condizioni di approvvigionamento. Questa fase aiuta a rilevare carenze di scorte e i rischi operativi legati all'inventario. 

La quarta fase, Apply Business Rules, applica le regole di business aziendali predefinite ai dati relativi agli ordini e all'inventario analizzati. Il workflow valuta condizioni quali esaurimento delle scorte, ritardi logistici, esigenze di riapprovvigionamento e problemi sistemici della supply chain.

La quinta fase, Generate Recommendation, genera raccomandazioni operative spiegabili, azioni correttive, suggerimenti per il monitoraggio e output aziendali strutturati sulla base delle cause principali identificate. 

La fase finale, Output, presenta all'utente l'analisi operativa e le raccomandazioni generate.

Il workflow caricato mostra l'intera pipeline di orchestrazione aziendale implementata in IBM watsonx Orchestrate. 

Questo workflow consente il ragionamento AI multifase, l'analisi aziendale basata sui dati, la generazione di raccomandazioni spiegabili, l'orchestrazione modulare e l'intelligence operativa pronta per l'ambiente di produzione utilizzando IBM watsonx Orchestrate.

Passaggio 5: configurare il comportamento dell'agente

Passare alla sezione Behaviour dell'agente AI e definire le istruzioni relative al comportamento operativo aziendale. Questa configurazione controlla il modo in cui l'agente AI esegue il ragionamento, recupera la conoscenza aziendale, richiama il workflow collegato e genera raccomandazioni operative.

Aggiungi il seguente prompt di comportamento:

Sei un assistente AI specializzato nelle operazioni aziendali, con competenze nella gestione degli ordini, nell'analisi dell'inventario, nel monitoraggio della logistica e nell'ottimizzazione della supply chain.

### Responsabilità

• Analizzare gli ordini in ritardo
• Rilevare le carenze delle scorte
• Identificare i problemi di magazzino
• Applicare le regole di business operative
• Generare raccomandazioni basate sui dati

### Istruzioni

• Usa sempre il workflow connesso e i file di conoscenza aziendale caricati.
• Non fare allucinazioni né supposizioni che vadano oltre i dati disponibili.
• Basa tutte le conclusioni e le raccomandazioni sui dati forniti.
• Fornisci output spiegabili e strutturati.

### Gestione degli errori

Se non viene trovato alcun prodotto, ordine, articolo di inventario o record di magazzino corrispondente: 

Stato: nessun dato disponibile

Messaggio: nessun record corrispondente trovato nei dati disponibili.

Raccomandazione: verifica i criteri di ricerca e riprova.

### Formato di risposta

Per un'analisi corretta, utilizza la seguente struttura:

Stato: Successo

Riepilogo:

<breve panoramica>

 Risultati principali:

• Risultato 1
• Risultato 2

Raccomandazioni:

• Raccomandazione 1
• Raccomandazione 2

Il livello di comportamento funge da politica di ragionamento aziendale che guida il modo in cui l'agente AI interpreta le richieste operative e genera le risposte all'interno di watsonx Orchestrate.

Passaggio 5: testare l'agente

Dopo avere configurato la conoscenza aziendale, le istruzioni di comportamento e il workflow agentico, l'agente AI viene convalidato utilizzando l'interfaccia Talk to Agent di IBM watsonx Orchestrate. Gli utenti possono inviare query operative come:

"Perché gli ordini di iPhone 14 sono in ritardo?"

L'agente recupera le informazioni operative pertinenti dal repository Astra DB connesso, esegue il workflow configurato, analizza le informazioni relative a ordini e inventario, applica le regole di business operative, identifica eventuali carenze delle scorte e problematiche logistiche e genera raccomandazioni basate sui dati, accompagnate da una spiegazione del ragionamento. L'interfaccia di test consente inoltre agli sviluppatori di monitorare l'esecuzione del workflow, convalidare l'accuratezza delle risposte e valutare la preparazione dell'agente per l'ambiente di produzione prima dell'implementazione.

**Analisi della causa principale per i ritardi negli ordini di iPhone 14**

Stato: Successo 

Riepilogo: quattro ordini di iPhone 14 (ID 1001–1004) risultano attualmente in ritardo di quattro giorni. I ritardi sono dovuti alla mancata disponibilità di scorte nei principali centri di evasione ordini, WH1 e WH2.

Risultati chiave:

• Tutti gli ordini di iPhone 14 in ritardo vengono assegnati ai magazzini WH1 o WH2.
• La causa principale è l'insufficienza di scorte di iPhone 14 nei magazzini interessati, che comporta un ritardo di quattro giorni per ciascun ordine.

Raccomandazioni:

• Riallocare le scorte di iPhone 14 da altri magazzini (ad esempio WH3) verso WH1 e WH2 per rifornire l'inventario.
• Accelerare le spedizioni in entrata di iPhone 14 verso WH1 e WH2 per evitare ulteriori ritardi.
• Implementare un avviso di scorte basse per gli iPhone 14 in ciascun magazzino, così da attivare il rifornimento preventivo prima che si verifichi l'esaurimento delle scorte.

In questo tutorial abbiamo sviluppato un agente AI pronto per l'ambiente di produzione utilizzando watsonx Orchestrate e Astra DB. La soluzione combina la contestualizzazione sulla conoscenza aziendale, l'esecuzione di workflow agentici, il ragionamento basato sulle regole di business operative e la generazione di raccomandazioni spiegabili per analizzare ordini in ritardo, carenze di inventario e colli di bottiglia nella supply chain.

La soluzione dimostra come i sistemi di AI enterprise possano supportare il processo decisionale operativo attraverso un ragionamento spiegabile, una progettazione modulare dei workflow e principi architetturali pronti per l'ambiente di produzione.

L'agente AI si allinea inoltre all'Agent Development Lifecycle (ADLC), supportando le principali fasi del ciclo di vita dell'AI enterprise, tra cui test, implementazione, monitoraggio e ottimizzazione continua dei workflow.

Per estendere ulteriormente la soluzione di AI enterprise, è possibile implementare i seguenti miglioramenti:

• Valutare le prestazioni degli agenti AI.
• Distribuire il workflow negli ambienti aziendali.
• Monitoraggio e ottimizzazione continui delle prestazioni del workflow. 
• Integrare set di dati operativi aziendali esterni.

La fase di pianificazione definisce l'obiettivo operativo aziendale, mentre la fase di sviluppo consente l'esecuzione intelligente dei workflow attraverso la contestualizzazione della conoscenza aziendale, il ragionamento basato sulle regole di business e l'analisi operativa spiegabile. Questa implementazione dimostra come IBM watsonx Orchestrate possa essere utilizzato per sviluppare agenti di AI aziendale pronti per l'ambiente di produzione, in grado di offrire soluzioni scalabili, spiegabili e affidabili dal punto di vista operativo.