O que são agentes de IA?

Se a IA parece algo fascinante, mas um pouco confusa, os agentes de IA deixarão você intrigado. Os grandes modelos de linguagem (LLMs) nos quais as empresas investiram bilhões? Eles estão conseguindo empregos reais como o cérebro por trás dos agentes de IA: "e se os chatbots pudessem entender as políticas de RH e ter discussões detalhadas com os funcionários sobre elas?" E se um sistema de detecção de fraudes pudesse agir de forma autônoma para encerrar as transações maliciosas no momento em que elas estiverem acontecendo? E se você pudesse definir uma meta a um sistema de IA e ele fizesse o necessário, de forma autônoma, para alcançá-la?

Todos esses casos de uso são possíveis com agentes de IA.

Você pode até mesmo atribuir ferramentas aos agentes – como algoritmos, entradas sensoriais, fontes de dados e até mesmo acesso a outros agentes – para que eles possam executar tarefas complexas por conta própria. Pense em um robô em um depósito que percorre os corredores para verificar o estoque, combinando informações de uma variedade de sensores, câmeras e scanners com o software de controle e um sistema de gerenciamento de inventário ERP.

O que está sendo chamado de “IA agêntica” está se transformando em uma excelente oportunidade para todos os tipos de organizações, tornando a IA fácil de usar e muito mais útil.

O que é IA?

IA, ou inteligência artificial, se refere a sistemas de computação treinados para simular a inteligência humana. A maioria dos sistemas de IA é programada para aprender, e alguns podem melhorar seu desempenho com base em experiências e novos dados, resolver problemas usando uma ampla gama de entradas e buscar metas e objetivos de maneira metódica. No avanço mais recente, os sistemas de IA generativa podem tomar decisões e iniciar ações de forma independente para atingir seus objetivos. A GenAI é usada em aplicações tão variadas quanto carros autônomos, mecanismos de recomendação de mídia e ferramentas como DALL-E e Midjourney, que criam imagens com base em prompts textuais.

A IA empresarial se refere ao trabalho contínuo para aplicar a GenAI e tecnologias relacionadas a cargas de trabalho de negócios, com sistemas aumentados com os dados da organização. Pense em atendimento ao cliente, marketing personalizado e assistentes de RH e finanças.

O que são agentes de IA?

Os agentes de IA são entidades de software que podem receber tarefas, examinar seus ambientes, executar ações conforme prescrito por suas funções e ajustar com base em suas experiências.

As pessoas fornecem aos agentes de IA objetivos com base na função do agente e nas necessidades da organização. Com o objetivo em mãos, o agente pode fazer planos, executar tarefas e buscar a meta com base em seu treinamento, na aplicação na qual está inserido e no ambiente mais amplo em que opera. Os agentes aprendem e iteram e podem assumir funções específicas, conectar-se a fontes de dados e tomar decisões por conta própria. Os agentes avançados têm atribuições especializadas que podem envolver a execução de processos de várias etapas que exigem julgamento, comunicação de uma forma que imita as interações humanas e, muitas vezes, cooperação com outros agentes. A natureza modular dos agentes permite fluxos de trabalho complexos. A autonomia concedida aos agentes é determinada pelos seres humanos que os invocam. Assim como na contratação de um novo assistente, mais autonomia pode ser dada à medida que a proficiência for comprovada.

Os agentes trabalham combinando processamento de linguagem natural, recursos de machine learning, capacidade de coletar dados por meio de consultas a outras ferramentas e sistemas e aprendizado contínuo para responder a perguntas e executar tarefas. Um bom exemplo é um agente de IA de atendimento ao cliente. Quando um cliente pergunta sobre um pedido: “Cadê minhas coisas?”, o agente forma sua resposta verificando o sistema de processamento de pedidos, consultando o sistema de rastreamento da transportadora por meio de uma API e coletando informações sobre possíveis fatores climáticos ou outros fatores externos que possam atrasar a entrega.

O termo IA agêntica se refere a sistemas que buscam ativamente metas e objetivos em vez de executar uma tarefa simples ou responder a uma consulta. Os sistemas agênticos geralmente podem iniciar ações, como uma IA de atendimento ao cliente que envia proativamente uma consulta a uma transportadora para perguntar sobre atrasos no envio.

Uma maneira de tornar os agentes mais úteis é incorporando a geração aumentada de recuperação (de retrieval-augmented generation, em inglês), ou RAG, uma técnica que permite que grandes modelos de linguagem usem fontes de dados externas específicas da organização ou função do agente. A RAG permite que os agentes encontrem e incorporem informações atualizadas e relevantes de bancos de dados externos, sistemas corporativos, como um ERP, ou documentos em suas respostas, tornando-os mais informativos, precisos e relevantes para o público. Por exemplo, um agente de suporte de TI poderia considerar as interações anteriores com os clientes antes de decidir a melhor forma de resolver o problema em questão. Ele pode incluir em sua resposta links para documentação útil ou decidir abrir um ticket em nome do cliente se o problema precisar ser escalado.

Principais conclusões

• Os agentes de IA são planejadores proativos: eles trabalham para identificar as etapas necessárias para atingir o objetivo desejado.
• Como acontece com qualquer tecnologia de IA, os agentes de IA podem oferecer benefícios proporcionais ao treinamento e aos dados que podem utilizar e aos limites definidos pelos humanos para sua operação.
• Objetivos claramente definidos, alcançáveis, mensuráveis e quantificáveis são essenciais para o sucesso do agente de IA.
• As etapas para implementar um agente são semelhantes a qualquer implementação de IA e começam com a definição clara dos parâmetros da tarefa.

Agentes de IA explicados

Um agente de IA é uma entidade de software que pode perceber seu ambiente, tomar ações e aprender com suas experiências. Pense nele como um assistente digital ou um robô que pode executar tarefas de forma autônoma com base na orientação humana. Os agentes de IA têm características distintas, principalmente a capacidade de definir metas, coletar informações e usar a lógica para planejar etapas para atingir seus objetivos. Como são sustentados por LLMs que fornecem a inteligência para entender a intenção por trás das consultas, os agentes de IA não dependem de palavras-chave, scripts ou semântica pré-configurada. Em vez disso, eles podem utilizar dados retidos de tarefas anteriores, combinados com prompts baseados em chat, para criar soluções de forma dinâmica.

Os agentes de IA também aprendem por tentativa e erro. O aprendizado por reforço é onde um modelo de IA refina seu processo de tomada de decisão com base em respostas positivas, neutras e negativas. Eles imitam a engenhosidade humana e podem usar ferramentas, incluindo aplicações corporativas e baseadas em nuvem e fontes de dados, APIs e outros agentes, para atingir seus objetivos. Eles também podem usar sistemas adicionais baseados em IA e machine learning para analisar dados complexos, ferramentas de processamento de linguagem natural para processar entradas, RAG para fornecer conteúdo atualizado e contextualmente apropriado e serviços em nuvem para os recursos computacionais necessários para fazer seu trabalho.

Como os agentes de IA funcionam?

Os agentes de IA trabalham combinando técnicas e tecnologias, como as que acabamos de notar, para atingir as metas atribuídas. Por exemplo, um agente de recomendação pode usar machine learning, explorando conjuntos de dados massivos para identificar padrões; processamento de linguagem natural para entender as solicitações e se comunicar com os usuários; e interfaces para ferramentas empresariais, como um sistema ERP, banco de dados ou sensores da Internet das Coisas, ou fontes de dados externas, incluindo a internet, para coletar informações.

Os agentes de IA são planejadores. Eles podem identificar as tarefas e etapas necessárias para atingir a meta atribuída. Para nosso agente de atendimento ao cliente, entender onde está uma determinada remessa requer uma série de ações. Primeiro, ele acessaria bancos de dados com informações sobre o pedido específico, como o ID da remessa, o método de entrega e a data de colocação. Em seguida, usaria esses dados para consultar o banco de dados da transportadora usando uma interface de serviços Web para fornecer rastreamento em tempo real e uma data de entrega estimada. O agente também pode verificar onde a remessa está atualmente e quanto tempo levou no passado para fazer a próxima etapa de sua jornada. Se estiver em um terminal de frete aéreo em Boston e um furacão estiver subindo a Costa Leste, o agente poderá inferir que é provável que haja um atraso e transmitir essa informação ao cliente.

Os benefícios dos agentes de IA

Os agentes de IA, como qualquer tecnologia de IA, podem oferecer benefícios proporcionais ao treinamento e aos dados que precisam utilizar. Um recurso que separa os agentes de seus antecessores mais estáticos é que eles podem reconhecer quando não têm dados suficientes para tomar uma decisão de alta qualidade e tomar medidas para obter mais ou melhores dados. A formulação de agentes dentro de aplicações é uma versão altamente aplicada da IA. Dessa forma, as organizações descobrirão que, para ter sucesso com os agentes, os gurus da IA não são tão necessários quanto aqueles que entendem os processos de negócios e, possivelmente, os especialistas em qualidade de dados. Esses especialistas podem ajudar a definir os objetivos do agente, estabelecer parâmetros e avaliar se as metas de negócios foram alcançadas, acionando a equipe de TI ou o fornecedor do software somente se acreditarem que a própria IA não está funcionando corretamente.

Os benefícios específicos citados pelos primeiros a adotar agentes de IA incluem

• Disponibilidade 24h. Os agentes de IA podem operar continuamente, sem tempo de inatividade. E quando fornecidos a partir da nuvem, os agentes podem operar em qualquer lugar em que clientes, funcionários ou outros usuários pretendidos possam estar.
• Precisão. Os agentes de IA podem minimizar o erro humano ao executar tarefas repetitivas, e as grandes quantidades de dados que eles podem utilizar levam a decisões mais precisas e bem informadas. É claro que isso depende de eles terem acesso a fontes de dados precisas, atualizadas e completas. Diferentemente das ferramentas de GenAI de primeira geração, os agentes podem reconhecer melhor quando não têm informações suficientes para tomar uma decisão de qualidade e buscar mais dados conforme necessário.
• Consistência. Os agentes de IA podem ser criados para seguir processos e procedimentos prescritivos, ajudando a garantir que as tarefas sejam executadas sempre da mesma maneira. Os agentes também podem minimizar as variações decorrentes da fadiga humana ou das diferenças na forma como vários funcionários podem executar um processo.
• Contenção de custos. Embora os agentes de IA possam reduzir os custos operacionais automatizando tarefas repetitivas que antes eram executadas por humanos, eles também podem descobrir e sugerir maneiras de otimizar os processos e reduzir os erros que podem custar dinheiro à empresa.
• Análise de dados. Os agentes de IA podem processar e interpretar conjuntos de dados massivos para atividades de análise, incluindo planejamento de longo prazo, detecção de fraudes e manutenção preditiva para evitar falhas nos equipamentos. Nos casos em que o agente não pode analisar os dados, é possível chamar outras ferramentas para fazer o trabalho.
• Eficiência. Os agentes de IA podem automatizar tarefas e processos, liberando os funcionários humanos para se concentrarem em atividades mais complexas e estratégicas. E eles não precisam de férias.
• Personalização. Com campanhas de marketing baseadas em IA criadas por agentes, as empresas podem direcionar efetivamente segmentos de clientes específicos, muitas vezes resultando em taxas de conversão mais altas e custos de marketing mais baixos. Em um nível macro, a personalização é uma tendência por um motivo: muitos consumidores gostam quando as empresas lembram e usam seus históricos de compras, preferências e informações pessoais.
• Escalabilidade. Embora o aumento do uso de agentes de IA possa levar tempo, pode ser mais fácil e econômico que adicionar novos recursos humanos. Expanda o papel dos agentes em um ritmo deliberado, avaliando a qualidade do trabalho com cada nova tarefa atribuída a eles. Considere os dados e outros recursos disponíveis para um agente e se eles são suficientes para atingir um novo objetivo. E não se esqueça do treinamento: os funcionários precisam ser educados sobre como tirar o máximo proveito dos agentes que usarão.

Os desafios dos agentes de IA

Os agentes de IA podem ser desafiadores para desenvolver e colocar em produção principalmente porque dependem de modelos complexos, infraestrutura de computação avançada e grandes quantidades de dados que devem ser selecionados e mantidos atualizados. Além disso, a supervisão de talentos de TI é necessária para confirmar que os agentes podem interagir efetivamente com humanos e se adaptar a situações inesperadas, e os especialistas em negócios e dados precisam ajudar na configuração. Certifique-se de ter experiência em processamento de linguagem natural e machine learning e fique atento a esses problemas.

• Viés. Se um modelo de IA generativa que informa o agente for treinado com base em dados tendenciosos que incluam lacunas nas perspectivas ou conteúdo prejudicial ou preconceituoso, esses vieses poderão ser refletidos em seus resultados. Por exemplo, se uma empresa incluir linguagem de gênero em suas ofertas de emprego, um modelo de agente de RH poderá facilitar a preferência por candidatos de um sexo em detrimento de outro. Ao restringir o que os agentes fazem e a gama de perguntas ou tarefas que eles assumirão, a parcialidade pode ser substancialmente reduzida, pois os conjuntos de treinamento podem ser aprimorados com mais precisão para o uso previsto do agente.
• Adaptabilidade. Embora os agentes sejam projetados para aprender e melhorar com o tempo, eles podem enfrentar desafios quando se deparam com um ambiente em rápida mudança ou com solicitações ou resultados inesperados. Um culpado comum é o sobreajuste, um desafio comum de treinamento em IA em que os modelos se tornam muito sintonizados com os dados nos quais foram treinados, dificultando a incorporação de novos dados. Portanto, os agentes têm um escopo limitado. Não seria uma boa ideia pedir para um neurocirurgião fazer um encanamento, e isso também se aplica aos agentes.
• Complexidade. Embora os agentes de IA que se concentram em tarefas específicas e bastante rotineiras possam ser relativamente simples de usar, à medida que as tarefas atribuídas ficam mais sofisticadas e exigem uma ampla gama de funções, os agentes podem se tornar difíceis de projetar, implementar e manter. Como em qualquer novo empreendimento, a adoção de agentes é melhor realizada com pequenas etapas incrementais.
• Dependência dos dados. Como toda a IA, os agentes precisam de dados de alta qualidade para ter um bom desempenho. Os agentes de IA integrados a outros sistemas, como gerenciamento de capital humano ou ERP, têm uma vantagem, pois esses sistemas acumulam inerentemente dados de alta qualidade, mas podem precisar ser ajustados para lidar com interações e troca de dados. As organizações precisam garantir que as fontes de dados das quais os agentes se baseiam sejam precisas, oportunas e disponíveis.
• Capacidade de interpretação. Os sistemas de GenAI de primeira geração operavam como "caixas pretas", tornando sua saída difícil de analisar. Os agentes são projetados para explicar melhor como as decisões são tomadas e quais dados foram considerados. Começar com tarefas simples e passar para operações mais complicadas somente quando o básico tiver sido dominado pode ajudar os profissionais de negócios a entender como o agente está fazendo seu trabalho. Além disso, quando os agentes erram, eles podem aprender com as correções feitas por especialistas em negócios. Essas interações contribuem para uma melhor compreensão de como eles fazem seu trabalho.
• Operações com uso intensivo de recursos. Como toda IA, os agentes exigem poder computacional e armazenamento significativos. Quando os agentes fazem parte de aplicações fornecidos a partir da nuvem, cabe ao provedor recorrer aos sistemas de forma apropriada e oferecer o desempenho adequado. As aplicações on-premises precisarão de TI para garantir recursos suficientes.
• Riscos de segurança. Para fornecer o serviço que os profissionais de negócios precisam, os agentes precisam acessar informações proprietárias da empresa. Além disso, como os agentes podem lembrar pelo menos os resultados das transações, é importante ajudar a garantir que eles não forneçam acesso indesejado a dados confidenciais. Como a maioria dos agentes será fornecida em aplicações comerciais, cabe ao provedor de software evitar que eles vazem dados proprietários. Ainda assim, os agentes representam uma nova via de ataque para agentes mal-intencionados e um novo conjunto de habilidades para as equipes de segurança corporativa, que precisam avaliar continuamente se a perda de dados é possível.

Componentes dos agentes de IA

Os agentes de IA dependem de uma variedade de entradas para fazer seu trabalho, com a combinação específica dependendo do tipo de agente. Um agente de suporte ao cliente conversará com os clientes, consultará seus históricos de compra e suporte e acessará bibliotecas de suporte para responder a perguntas. Alguns agentes interagirão apenas com outros agentes. Um agente de consulta de banco de dados pode criar consultas SQL para recuperar informações solicitadas por outros agentes. Os agentes que funcionam como assistentes virtuais medem o sucesso pelo quão bem eles realizam tarefas, geralmente com base no feedback humano. Todos exigem uma combinação exclusiva de componentes.

• Ação. Os atuadores ou interfaces permitem que os agentes interajam com seus ambientes. As ações podem ser físicas, como girar uma maçaneta, pilotar um veículo autônomo ou controlar um braço robótico; cognitivas, como escolher uma dentre várias opções de abertura no jogo de xadrez ou criar uma lista de possíveis maneiras de chegar ao xeque-mate; ou comunicativas, como redigir um email, transcrever um áudio ou fazer e responder a perguntas.
• Metas/utilidade. As metas e as utilidades estão relacionadas. As metas definem o resultado desejado para o agente, como um assistente de RH que cria com sucesso uma descrição de cargo com a entrada de um recrutador e gerente de contratação. A utilidade mede a capacidade do agente de atingir suas metas e pode ser representada por um valor numérico. Um agente de jogos medirá a utilidade pelas partidas vencidas, enquanto a utilidade de um veículo autônomo é amplamente baseada em seu histórico de segurança e nas pontuações dos pilotos.
• Aprendizado. Os agentes de IA podem melhorar seus resultados incorporando lições de tarefas concluídas. O aprendizado de um LLM para quando seu treinamento para, mas observando quais combinações de dados proprietários e perguntas geram os melhores resultados, um agente pode se tornar melhor nas tarefas ao longo do tempo. Os agentes também podem adquirir novos conhecimentos de treinamento adicional, seja supervisionado, não supervisionado ou aprendizado por reforço. O recrutador pode classificar o agente na descrição do cargo que ele produziu, aumentando a pontuação da utilidade. Em seguida, o agente usa esses dados para orientar futuras redações.
• Memória. Refere-se à capacidade do agente de armazenar informações de experiências passadas e recuperá-las e usá-las para tomar decisões mais informadas e se adaptar às circunstâncias variáveis. A memória é essencial para que os agentes de IA melhorem seu desempenho ao longo do tempo.
• Percepção. Os agentes de IA podem usar sensores ou outros mecanismos para coletar e perceber informações de seus ambientes. Pense em uma câmera para reconhecer objetos e detectar padrões ou em um microfone para capturar e processar consultas por voz. Os agentes também podem usar sensores para ajudar a manipular objetos ou navegar em suas próprias posições no mundo físico.
• Raciocínio. A tomada de decisão lógica baseada em dados, regras, probabilidade e padrões aprendidos é fundamental para um agente de IA. O raciocínio é o que permite que um agente identifique várias opções diferentes e decida sobre o curso de ação ideal com base nas informações disponíveis e nos critérios de resultado.

Tipos de agentes de IA

1. Agentes reflexivos simples. Esses agentes operam com base em um conjunto de regras de condição/ação e reagem às entradas sem considerar o contexto ou o histórico mais amplo. Um exemplo é um chatbot básico programado para responder a palavras-chave ou frases predefinidas, mas incapaz de entender o contexto ou se envolver em uma conversa expansiva.
2. Agentes reflexivos baseados em modelos. Estes agentes têm modelos internos do ambiente relevantes para suas funções, permitindo que eles considerem a situação atual e os efeitos de várias ações antes de decidir o que fazer. Os carros autônomos são um bom exemplo. O “mundo” deles é a pista na qual eles se encontram. Eles precisam acompanhar os movimentos de objetos dentro de seu mundo e tomar decisões sobre a velocidade com que podem viajar, e se precisam frear ou tomar medidas evasivas quando algo se move em sua direção.
3. Agentes baseados em metas. Esses agentes se baseiam nas capacidades dos agentes reflexivos, considerando objetivos de longo prazo e planejando suas ações de acordo. Eles têm um processo de tomada de decisão mais sofisticado do que os agentes reflexivos. Por exemplo, um agente de xadrez ou de go precisa olhar várias jogadas à frente e ter uma estratégia para vencer, o que pode incluir fazer sacrifícios no curto prazo.
4. Agentes baseados em utilidade. Esses agentes tomam decisões com base na maximização da utilidade desejada, ou seja, a medida do sucesso com que o agente de IA atinge suas metas ao longo do tempo. Isso significa que eles escolhem ações de forma mais estratégica, selecionando aquelas com maior probabilidade de levar a resultados positivos ou minimizar os negativos no longo prazo. Eles visam maximizar a satisfação ou os benefícios, mesmo quando confrontados com objetivos concorrentes, alcançando um equilíbrio. Enquanto um agente baseado em metas pode tentar vencer um jogo, um agente baseado em utilidade sempre tentará otimizar em direção a um objetivo contínuo, como minimizar o uso de energia ou maximizar as vendas de um produto de alta margem.
5. Agentes de aprendizagem. Esses agentes aprimoram seu desempenho ao longo do tempo, ingerindo novos dados e refinando respostas com base nas interações com os usuários. Os mecanismos de recomendação são agentes de aprendizagem. A precisão melhora com o tempo, quer o agente esteja sugerindo filmes e programas de TV, música ou itens que um consumidor possa querer comprar.

Casos de uso de agentes de IA

Os casos de uso ideais do agente de IA geralmente têm dados relacionados e outros sistemas, como um CRM ou ERP, nos quais os agentes de IA confiam. Eles também são orientados para tarefas: pense em responder a uma pergunta de um cliente ou levar um passageiro do ponto A ao ponto B. Procure trabalhos que aproveitem a capacidade dos agentes de melhorar seu desempenho ao longo do tempo e de de tomar decisões com base na compreensão de seus ambientes e das metas atribuídas.

Os casos de uso populares atuais incluem

• Veículos autônomos. Os carros autônomos navegam e tomam decisões com base em seu entorno.
• Recomendação de conteúdo. Sugestões personalizadas em plataformas como Netflix ou YouTube podem aumentar a adesão a esses produtos.
• Suporte ao cliente. Os chatbots automatizados para responder às perguntas dos clientes que podem ir além das respostas pré-formadas são fundamentais para a satisfação do cliente.
• Finanças. Os agentes usados pelas empresas de serviços financeiros incluem sistemas de negociação automatizados e detecção de fraudes.
• Jogos. Um exemplo são os agentes que atuam como NPCs, ou personagens não-jogadores, com comportamento adaptável que pode ajudar os desenvolvedores de videogames a se concentrarem mais nos enredos principais.
• Assistência Médica. Os agentes de IA que ajudam a diagnosticar condições médicas ou a gerenciar o atendimento ao paciente são treinados com registros de pacientes (geralmente anônimos) e diagnóstico por imagem que os ensinam a identificar padrões para que possam prever resultados e fatores de risco e sugerir cursos de ação.
• Assistentes pessoais. Assistentes virtuais, como Siri ou Google Assistant, são exemplos de agentes que aprendem por meio de interações com os clientes.
• Varejo. As opções no varejo são quase infinitas. Por exemplo, a Neostar oferece uma plataforma para compra, venda e manutenção de carros usados. Ela usa um agente para viabilizar comunicações individualizadas com os clientes, com listas de produtos recomendados para destacar sugestões de veículos em mensagens de email que reengajam os clientes e os direcionam de volta ao site da Neostar.
• Robótica. Os robôs orientados por IA podem ser controlados por agentes que percebem seus ambientes, tomam decisões e executam ações. Os robôs usados em linhas de manufatura e montagem, por exemplo, geralmente contam com agentes de IA para executar tarefas que incluem separação, embalagem e controle de qualidade.
• Casas inteligentes. Gerenciar sistemas de automação residencial e responder a perguntas verbais são tarefas populares para agentes, assim como alimentar câmeras de segurança, campainhas e alarmes que usam IA para detectar e responder a possíveis ameaças.
• Gerenciamento da cadeia de suprimentos. A otimização da logística pode incluir o uso de agentes para analisar os dados de estoque a fim de identificar itens de baixa rotatividade e detectar mudanças nos padrões da demanda e ajustar os níveis de estoque adequadamente, o que pode reduzir os custos de retenção.

As 6 melhores práticas de agentes de IA

Como em qualquer investimento em tecnologia, esperamos que os agentes de IA ofereçam a funcionalidade desejada de forma econômica. Para agentes incorporados em aplicações, as melhores práticas são semelhantes às que você usaria para um novo funcionário, como monitorar cuidadosamente os resultados iniciais e aumentar a complexidade do trabalho à medida que o funcionário domina cada tarefa atribuída.

Para organizações que buscam criar os próprios agentes adequados a necessidades exclusivas, o processo é mais complexo. Considere esses seis requisitos e as possíveis melhores práticas para abordá-los.

1. Estabeleça objetivos claros. Objetivos claramente definidos, alcançáveis, mensuráveis e quantificados são essenciais para os agentes de IA. Assim como acontece com um funcionário, se o agente não entender as expectativas, é improvável que consiga alcançá-las. As chaves para o sucesso incluem manter os objetivos bem definidos e específicos. Evite metas vagas ou ambíguas, visando, em vez disso, objetivos que sejam alcançáveis, considerando as capacidades e os recursos do agente de IA. Defina KPIs para medir o sucesso e usar esses dados para melhorar o modelo.
2. Aprendizado contínuo. O ajuste fino contínuo de um LLM no coração de um agente não é algo prático, mas refinar os dados que ele usa para tomar decisões e concluir tarefas é. Para agentes incorporados em aplicações, caberá ao fornecedor decidir quando é hora de refinar o treinamento dos LLMs que alimentam seus sistemas. Também caberá ao fornecedor refinar como as interações com o agente são armazenadas e recuperadas para facilitar a memória do agente sobre o trabalho anterior.
   
   Em agentes personalizados, o refinamento de técnicas de memória e os dados e outras entradas fornecidos pode acontecer com mais frequência do que o ajuste fino dos próprios LLMs. Para aqueles que criam seus próprios agentes, esses processos precisarão ser trabalhados antes que o agente esteja pronto para uso e provavelmente ajustados para otimizar a operação do agente.
3. Documentação. A documentação abrangente é essencial para entender, manter e melhorar os agentes de IA. Existem três tipos principais de documentação a serem considerados.
   • Os documentos técnicos podem incluir diagramas dos componentes, fluxo de dados e processos de tomada de decisão do agente de IA, juntamente com registros de qualquer novo código necessário para a funcionalidade do agente de IA; os algoritmos e modelos usados; e os dados usados para operar o agente de IA, incluindo fontes. Como os usuários corporativos solicitarão alterações e fornecerão feedback?
   • A documentação operacional inclui manuais para os usuários sobre como interagir com o agente de IA; diretrizes para a TI manter o agente de IA, incluindo a solução de problemas; e instruções para integrar os agentes às fontes de dados que eles precisam para funcionar.
   • Os registros jurídicos e de conformidade devem incluir uma avaliação do possível impacto do agente de IA na privacidade do funcionário e do cliente e a documentação de conformidade com as leis e os regulamentos relevantes.
   Além disso, rastreie e compartilhe os KPIs que você está usando para medir o desempenho do agente de IA e gráficos de resultados ao longo do tempo.
4. Supervisão humana. Assim como um novo funcionário, os agentes precisarão de tempo para aprender sobre sua organização e suas práticas. É necessário ter paciência ao atribuir tarefas aos agentes e monitorar os resultados. Forneça ampla supervisão até que os membros da equipe tenham certeza de que o agente pode trabalhar de forma autônoma. Atribua funções de supervisão a indivíduos ou equipes, operando sob uma estrutura de governança, e certifique-se de que o sistema com interação humana permita a intervenção e que o agente incorpore e priorize o feedback humano. Defina diretrizes de responsabilidade que estabeleçam quem é responsável pelas ações do agente.
5. Teste robusto. Examine completamente o agente em diversos cenários e se concentre em testes de validação para avaliar o desempenho em relação a benchmarks ou resultados de processos do mundo real. É uma prática recomendada testar todos os componentes do agente individualmente e, em seguida, observar como eles interagem, na medida do possível. Certifique-se também de que o agente esteja extraindo dados de sistemas externos relevantes, como um ERP ou banco de dados, sem gargalos. Por fim, faça testes de UX com usuários reais do sistema.
6. Medidas de segurança. Proteja o agente contra acesso e ataques não autorizados, criptografando e, quando apropriado, tornando anônimos os dados usados pelo agente. Os controles de acesso robustos também são essenciais. A segurança de rede e a infraestrutura, codificação segura, monitoramento e resposta a incidentes e práticas de auditoria devem se estender aos sistemas de IA.

Implementação de agentes de IA

As etapas para implementar um agente são semelhantes a qualquer implementação de IA. Primeiro, você definirá o que você quer que o agente faça, sendo o mais específico possível com metas e objetivos. Em seguida, identifique o processo funcional que o agente seguirá, os dados que ele precisará acessar, os especialistas em negócios relevantes e as ferramentas e outros agentes que ele pode acessar como parte de seu trabalho.

As melhores práticas incluem atribuir um pequeno grupo de testes beta, monitorar de perto o uso e os resultados, ajustar o agente com base nos resultados e aumentar a autonomia com base no sucesso comprovado. Quando aplicável, você pode modelar o processo no provisionamento de um novo funcionário. Vamos considerar um agente de previsão de demanda online para ajudar um varejista a planejar a temporada de volta às aulas.

1. Ter uma descrição de cargo definida. Espera-se que o agente de IA preveja a demanda por produtos, incluindo mochilas, notebooks e roupas infantis.
2. Decida quais dados são necessários. Organize origens de dados para configurar seu agente para o sucesso. Nosso analista de demanda precisará, no mínimo, de números de vendas anteriores dos produtos que estão sendo previstos; informações sobre tendências atuais do mercado e indicadores econômicos; e dados demográficos, preferências e históricos de compras dos clientes. Adicionar dados sobre padrões sazonais que podem afetar a demanda, como a expectativa de temperaturas mais altas do que o normal, e detalhes históricos sobre promoções, descontos e atividades de marketing bem-sucedidas ajudarão a aumentar a precisão.
3. Introduza assistentes. A integração do agente de IA com outros sistemas, como gerenciamento de estoque, ERP e ferramentas de planejamento da cadeia de suprimentos, ajudará a aumentar a eficácia. Também é necessário identificar especialistas humanos nas linhas de produtos relevantes que possam fornecer insights importantes e ajudar o agente de IA a fazer previsões mais precisas.
4. Deixe feedback. A avaliação e o ajuste regular são um investimento inicial de tempo que muitas vezes vale a pena. Reúna comentários de clientes e seus especialistas para identificar áreas para melhoria e trabalhe com o provedor de software para ajustar conforme necessário.

Lembre-se: você deve ter recursos de computação suficientes para executar o agente de IA. Um desempenho insatisfatório acabará com o entusiasmo antes de o projeto decolar.

Exemplos de agentes de IA

Estes são apenas alguns dos agentes de IA disponíveis atualmente. As organizações devem analisar seus pontos problemáticos: quais funções são mais difíceis de preencher? Quais oportunidades que você identificou, mas não tem recursos para testar sua hipótese? Existe alguma reclamação persistente de um funcionário ou cliente que possa ser resolvida pela IA? Além disso, converse com seus provedores de aplicações corporativas e de nuvem para ver quais agentes eles estão incorporando em seus produtos e serviços. Esses roadmaps podem estimular ideias.

Exemplos de agentes de IA incluem

• Os agentes conversacionais interagem com o mundo exterior. No caso de aplicações corporativas, as interações geralmente são com humanos, mas podem ser com outro programa de software. Em ambientes industriais, por exemplo, os agentes de conversação podem interagir com equipamentos de fabricação ou dispositivos da Internet das Coisas.
• Os agentes funcionais, também chamados de agentes de proxy de usuário, estão associados a uma pessoa ou função organizacional específica. Usando um exemplo do mundo real, você pode encontrar vários “agentes funcionais” quando for fazer seu exame de rotina: o agente recepcionista faz o check-in e o agente de enfermagem mede os sinais vitais básicos, como peso e pressão arterial. Por último, você passa com o médico, que faz um exame mais detalhado, com o auxílio de um agente que dá continuidade à consulta e gera a documentação necessária. Cada um desses agentes executa subtarefas específicas, com conhecimentos específicos, usando ferramentas diferentes, todas se comunicando entre si, conforme necessário para realizar uma tarefa.
  
  Exemplos de agentes funcionais incluem
  • Agente do gerente de contratação. Realiza tarefas que incluem a documentação de requisitos. Por exemplo, habilidades e experiência do candidato, para decisões de contratação e na revisão de anúncios de emprego, criados por outros sistemas de GenAI a fim de obter precisão.
  • Agente de serviço de campo. Fornece informações aos técnicos, automatiza tarefas como agendamento, ajuda no diagnóstico e toma outras decisões para fluxos de trabalho de serviço de campo mais eficientes.
  • Agente do funcionário de contas a receber. Agiliza o processamento de pagamentos; toma medidas para melhorar o fluxo de caixa, como iniciar procedimentos de cobrança; e produz relatórios sobre o desempenho das contas a receber.
  • Agente de suporte ao cliente. Aumenta as funções de suporte ao cliente, fornecendo informações relevantes aos agentes de suporte humano ou clientes.
• Os agentes de supervisão são os maestros da orquestra. Esses agentes direcionam outros e orientam o planejamento e o raciocínio necessários para atingir um objetivo. Um tipo de supervisor é um agente proxy de usuário que toma decisões sobre agir em nome de um funcionário ou se conectar com uma pessoa para obter feedback humano.
• Os agentes de utilidade, também chamados de agentes baseados em tarefas, geralmente estão associados a uma função específica e são chamados por outros agentes para executar uma tarefa, como consultar um banco de dados, enviar um email, fazer cálculos ou recuperar um documento. Agentes de utilidade, implementados como parte de um fluxo de trabalho complexo, geralmente agem de forma autônoma devido à sua funcionalidade de baixo risco. Por exemplo
  • Agente de codificação. Grava código para executar uma tarefa específica usando linguagens como HTML, Java ou Python.
  • Agente de conversação. Recebe tarefas de humanos e comunica os resultados das tarefas de fluxo de trabalho da maneira mais adequada ao solicitante da tarefa.
  • Agente de geração de cópias. Resume um corpo de texto ou gera texto de amostra para usar como ponto de partida para comunicações mais longas.
  • Agente de consulta do banco de dados. Executa tarefas relacionadas à recuperação de dados, como consultas SQL.
  • Agente RAG. Coordena a recuperação de dados específicos e atualizados necessários para que um LLM dê uma resposta adequada a um prompt ou execute uma tarefa.
  • Agente de agendamento. Agende reuniões com as partes interessadas para avançar um projeto.
  • Agente de pesquisa. Determina o tipo ideal de pesquisa, por exemplo, uma pesquisa na Web ou em documentos, e chama a ferramenta apropriada para executar a tarefa.
  • Agente de enriquecimento de habilidades. Usa a documentação para ajudar a sugerir as habilidades necessárias para concluir tarefas, como criar um anúncio de emprego ou auxiliar um funcionário a criar um perfil.

Aumente a eficiência com os OCI Generative AI Agents

O OCI Generative AI Agents combina o poder dos LLMs e RAG para que funcionários, parceiros e clientes possam consultar diretamente diversas bases de conhecimento enriquecidas com os dados da sua empresa. Crie e incorpore rapidamente agentes de IA personalizados em aplicações e processos de negócios corporativos.

O serviço fornece informações atualizadas por meio de uma interface de linguagem natural e a capacidade de agir diretamente sobre ela. Deseja experimentar a tecnologia do agente de IA? OCI Generative AI RAG Agent– o primeiro de uma série de agentes de IA da Oracle – está disponível para o público em geral.

A maioria de nós fez uma pergunta a um chatbot e recebeu uma resposta que não resolveu o problema. O objetivo final dos agentes de IA inteligentes é acabar com essa frustração. Fornecer às pessoas informações contextualmente precisas e relevantes é bom para elas e para sua organização.

Perguntas frequentes sobre agentes de IA

O ChatGPT é um agente de IA?

Sim, o ChatGPT é um agente de IA. É um LLM projetado para interagir com os usuários de maneira conversacional. Como agente, o objetivo do ChatGPT é escrever conteúdo criativo, gerar traduções e códigos de qualidade humana e responder a perguntas com precisão. O LLM do ChatGPT também pode ser usado como base para outros agentes.

Quais são os tipos de agentes de IA?

Os tipos de agentes de IA incluem reflexivos simples, reflexivos baseados em modelos, baseados em objetivos, baseados em utilidade e de aprendizagem.

1. Agentes reflexivos simples operam com base em um conjunto de regras de condição/ação e reagem às entradas sem considerar o contexto mais amplo.
2. Os agentes reflexivos baseados em modelos têm um modelo interno do ambiente relevante para sua função, permitindo que eles considerem a situação atual e os efeitos de várias ações antes de decidir o que fazer.
3. Os agentes baseados em metas se baseiam nas capacidades dos agentes reflexivos, considerando objetivos de longo prazo e planejando suas ações de acordo.
4. Os agentes baseados em utilidade estão associados a uma função específica e são chamados por outros agentes para executar uma tarefa, como consultar um banco de dados, enviar um email, fazer cálculos ou recuperar um documento.
5. Os agentes de aprendizagem aprimoram seu desempenho ao longo do tempo, ingerindo novos dados e refinando respostas com base nas interações com os usuários.

Quais são exemplos reais de agentes em IA?

Os primeiros exemplos reais de agentes de IA são a Alexa, o Google Assistant e a Siri, assistentes virtuais que podem executar tarefas como definir alarmes, enviar mensagens e procurar informações. Para as empresas, o Oracle Digital Assistant é uma plataforma de IA conversacional que permite que as empresas criem chatbots e assistentes virtuais para atendimento ao cliente e outras aplicações. Basicamente, um agente de IA que ajuda as empresas a criar seus próprios agentes.