Kada ljudi pomisle na generativnu AI, mnogi je zamišljaju kao deo “sistema angažovanja” — agent za korisničku podršku, alat za upravljanje lancem snabdevanja ili način za inteligentnu interakciju i pretragu PDF-ova organizacije i drugih vlasničkih podataka.
To je tačna vizija: U narednih godinu ili dve, aplikacije koje inteligentno kreiraju sadržaj koristeći velike jezičke modele (LLM) ostaće primarni fokus AI za preduzeća.
Ali razmislite o ovome: Većina koda napisanog u preduzećima nalazi se unutar poslovnih procesa — sistemi poput planiranja inventara, koji se nalaze između sloja angažovanja i rigidnijih sistema zapisa (podaci organizacije, itd.). Kako će GenAI koristiti tom sloju? Kako organizacija može poboljšati svoje poslovne procese ovom sveprisutnom tehnologijom?
Klasična arhitektura preduzeća.
Agentna AI je odgovor. Dok su AI agenti izgrađeni da obavljaju specifične zadatke ili automatizuju specifične, često ponavljajuće zadatke (poput ažuriranja vašeg kalendara), oni generalno zahtevaju ljudski unos. Agentna AI se odnosi na autonomiju (zamislite samovozeće automobile), koristeći sistem agenata za konstantno prilagođavanje dinamičnim okruženjima i nezavisno kreiranje, izvršavanje i optimizaciju rezultata.
Kada se agentna AI primeni na tokove poslovnih procesa, može zameniti krhke, statične poslovne procese dinamičnim, kontekstualno svesnim automatizacionim sistemima.
Pogledajmo zašto integracija AI agenata u arhitekture preduzeća označava transformativni skok u načinu na koji organizacije pristupaju automatizaciji i poslovnim procesima, i kakva platforma je potrebna da podrži ove sisteme automatizacije.
Kada agentu pružite kontekst, agent zatim prosleđuje taj kontekst LLM-u i traži od njega da ga dovrši i odgovori na njega. AI agenti takođe mogu koristiti sposobnosti da obave zadatke u ime korisnika. Ovi AI agenti mogu obavljati nekoliko ključnih funkcija vođenih uputstvima i informacijama izvedenim iz konteksta:
Ove poslednje vrste funkcija — donošenje odluka, planiranje i rezonovanje — često uključuju više agenata koji rade zajedno ka cilju. Agenti bi mogli težiti da usavrše generisani kod za tačnost, raspravljaju o tome da li je agentna odluka pristrasna ili planiraju korišćenje drugih agentnih sposobnosti za obavljanje zadatka.
Modeli koji pokreću mreže agenata su u suštini funkcije bez stanja koje uzimaju kontekst kao ulaz i daju odgovor, tako da je neka vrsta okvira neophodna za njihovu orkestraciju. Deo te orkestracije mogao bi biti jednostavna poboljšanja (na primer, da model zatraži više informacija). Ovo može zvučati analogno generaciji uz pomoć preuzimanja (RAG) — i trebalo bi, jer je RAG u suštini pojednostavljen oblik agentne arhitekture: Pruža modelu jedan alat koji pristupa dodatnim informacijama, često iz vektorske baze podataka.
Ali okviri za multiagentne modele idu dalje: Oni posreduju u zahtevima za dodatnim informacijama ili pružaju odgovor koji je dizajniran da bude prosleđen drugom agentu za poboljšanja.
Okviri omogućavaju agentima da rade u skladu.
Na primer, jedan agent bi mogao pisati neki Python dok ga drugi zatim pregleda. Ili agent bi mogao izraziti cilj ili ideju, a zatim bi posao drugog agenta mogao biti da to razbije na skup zadataka, ili pregleda ideju kako bi pronašao probleme koje prvi agent može pregledati i zatim usavršiti ideju. Vaši rezultati počinju da postaju sve bolji i bolji.
U bliskoj budućnosti, mnogi softverski inženjeri će postati autori agentnih procesa. Oni će graditi ove procese kombinovanjem i usklađivanjem komponenti — modela, korisničkog unosa, ciljeva — i kritičnih poslovnih usluga.
Primer jedne od ovih komponenti je zaliha u sistemu upravljanja inventarom. Šta ako povežete taj sistem sa agentom koji bi mogao pomoći u optimizaciji nivoa zaliha tokom praznične sezone? Uz pomoć drugog agenta koji je obavio istorijsku analizu nivoa zaliha, mogli biste osigurati da postoji dovoljno zaliha da zadovolji sezonsku potražnju, ali da ostane malo zaliha nakon prazničnog naleta. Ovo bi moglo razočarati strastvene kupce nakon Božića, ali bi takođe pomoglo da se spreči da trgovci prodaju svoju robu s gubitkom.
Ali kako će programeri izgraditi ove sisteme?
Agentni procesi, naravno, mogu biti izraženi kodom, ali takođe pomaže da ih vizualizujete kao “agentne tokove” — izlaz jednog agenta postaje ulaz drugog agenta, i tako dalje. Alati dostupni sada već pružaju mnogo vrednosti u ovom naporu da se pojednostavi izgradnja agentnih sistema. Jedno takvo rešenje je Langflow, vizualni, low-code alat za kreiranje agentnih AI aplikacija i složenih AI tokova rada povlačenjem i ispuštanjem različitih komponenti, bez potrebe za mnogo kodiranja.
Agentni “tokovi” pomažu u automatizaciji poslovnih procesa.
Langflow omogućava programerima da definišu bilo šta kao alat, uključujući komponente kao što su prompt, izvor podataka, model, API-ji, alati ili bilo koji drugi agenti. Nedavno smo videli značajnu potražnju za izgradnjom “tokova” sa agentima, jer programeri kreiraju mnogo aplikacija koje uključuju nekoliko multiagentnih sposobnosti. Agenti su najpopularnija vrsta komponente koju programeri ubacuju u tokove sa Langflow-om.
Agentni tokovi rada spajaju podatke preduzeća, AI i API-je, formirajući sisteme automatizacije koji omogućavaju stručnjacima iz domena da skaliraju svoje sposobnosti i učine da preduzeća bolje funkcionišu kroz AI. Integracija AI agenata u arhitekture preduzeća označava veliki skok u načinu na koji organizacije pristupaju automatizaciji i poslovnim procesima. Ovi agenti, osnaženi LLM-ovima i agentnim okvirima, prevazilaze tradicionalne granice besprekorno radeći kroz procese, tokove rada i kod.
Kako AI može transformisati arhitekturu preduzeća.
Usvajanje agentnih tokova rada obećava poboljšanje efikasnosti, skalabilnosti i odzivnosti u poslovnim operacijama. Oni će upravljati celim tokovima rada, obavljati složene zadatke sa većom prilagodljivošću i poboljšati korisničko iskustvo pružajući personalizovanije i pravovremene interakcije. Kako automatizacija postaje ugrađena u sisteme preduzeća, AI kopiloti će postati piloti, a organizacije koje koriste agentnu AI biće bolje pozicionirane da inoviraju, takmiče se i pružaju vrednost.
Za više detalja o agentnoj AI, pročitajte besplatni beli papir, “Sistemi automatizacije: Budućnost arhitekture preduzeća je agentna.” I posetite ovu stranicu da saznate više o Langflow-u.