O que são sistemas compostos de IA e agentes de IA?

O Mosaic AI Agent Framework ajuda os desenvolvedores a superar os desafios exclusivos do desenvolvimento de agentes de IA e sistemas compostos de IA. Saiba o que torna um aplicativo de IA um sistema de IA composto e um agente de IA.

Sistemas de IA compostos

Os sistemas de AI compostos são sistemas que lidam com a tarefa de AI combinando vários componentes que interagem entre si. Em contrapartida, um modelo de AI é simplesmente um modelo estatístico, por exemplo, um Transformer que prevê os próximos tokens no texto. Os sistemas compostos de IA são um padrão de design cada vez mais comum para aplicativos de IA devido ao seu desempenho e flexibilidade.

Para obter mais informações, consulte The Shift from Models to Compound IA Systems .

O que são agentes de IA?

As indústrias ainda estão definindo os agentes de AI, mas, de modo geral, eles são entendidos como um sistema de AI em que o modelo toma algumas ou todas as decisões de planejamento, em contraste com a lógica codificada. Esses agentes usam grandes modelos de linguagem (LLMs) para tomar decisões e atingir seus objetivos.

Muitos aplicativos de agentes de IA são feitos de vários sistemas, o que os qualifica como sistemas compostos de IA.

A agência é um continuum; quanto mais liberdade fornecemos aos modelos para controlar o comportamento do sistema, mais semelhante a um agente o aplicativo se torna.

Os aplicativos de IA agêntica são um subconjunto de sistemas compostos de IA

O que são ferramentas?

Os agentes de IA usam ferramentas para realizar ações além da geração de linguagem, por exemplo, para recuperar dados estruturados ou não estruturados, executar código ou conversar com serviços remotos, como enviar uma mensagem para email ou Slack.

No Databricks, o senhor pode usar as funções do Unity Catalog como ferramentas, permitindo fácil descoberta, governança e compartilhamento de ferramentas. O senhor também pode definir ferramentas usando a biblioteca de autoria de agentes de código aberto, como LangChain.

Em um fluxo de trabalho agêntico típico, o agente LLM recebe metadados sobre as ferramentas, que ele usa para determinar quando e como usar a ferramenta. Portanto, ao definir ferramentas, o senhor deve garantir que a ferramenta, seus parâmetros e seu valor de retorno estejam bem documentados, para que o agente LLM possa usar a ferramenta da melhor forma possível.

De LLMs a agentes de IA

Para entender os agentes de IA, é útil considerar a evolução dos sistemas de IA.

  1. LLMs: Inicialmente, os grandes modelos de linguagem simplesmente respondiam a solicitações com base no conhecimento de um vasto treinamento dataset.

LLM responde aos usuários
  1. LLMs + cadeias de ferramentas: Em seguida, os desenvolvedores adicionaram ferramentas codificadas para expandir os recursos do LLM. Por exemplo, a geração aumentada de recuperação (RAG) expandiu a base de conhecimento do LLMcom conjuntos de documentação personalizados, enquanto as ferramentas do API permitiram que os LLMs realizassem tarefas como criar tíquetes de suporte ou enviar e-mails.

cadeias de ferramentas predeterminadas
  1. Agentes de AI: Agora, os agentes de AI criam planos de forma autônoma e executam tarefas com base em sua compreensão do problema. Os agentes de IA ainda usam ferramentas, mas cabe a eles decidir qual ferramenta usar e quando. A distinção do key está no nível de autonomia e nos recursos de tomada de decisão em comparação com os sistemas compostos de AI.

Os agentes de IA racionalizam um plano e o executam com ferramentas

Do ponto de vista do desenvolvimento, os aplicativos de IA, sejam eles LLMs individuais, LLMs com cadeias de ferramentas ou agentes de IA completos, enfrentam desafios semelhantes. O Mosaic AI Agent Framework ajuda os desenvolvedores a gerenciar os desafios exclusivos da criação e dos aplicativos de IA em todos os níveis de complexidade.

Exemplos de agentes de IA

Aqui estão alguns exemplos de agentes de AI em várias indústrias:

AI/BI: Os chatbots e painéis alimentados por IA aceitam solicitações de linguagem natural para realizar análises nos dados de uma empresa, extraindo percepções de todo o ciclo de vida de seus dados. AI/BI Os agentes analisam as solicitações, decidem para qual fonte de dados e como comunicar os resultados. AI/BI Os agentes podem melhorar com o tempo por meio de feedback humano, oferecendo ferramentas para verificar e refinar seus resultados.

Atendimento ao cliente: Os chatbots com IA, como os usados pelas plataformas de atendimento ao cliente, interagem com os usuários, entendem a linguagem natural e fornecem respostas relevantes ou realizam tarefas. As empresas usam chatbots de IA para atendimento ao cliente, respondendo a consultas, fornecendo informações sobre produtos e auxiliando na solução de problemas.

Manutenção preditiva da manufatura: Os agentes de IA podem ir além da simples previsão de falhas de equipamentos, agindo de forma autônoma sobre elas, solicitando substituições ou programando a manutenção para reduzir o tempo de inatividade e aumentar a produtividade.