O que são sistemas compostos de IA e agentes de IA?
O Mosaic AI Agent Framework ajuda os desenvolvedores a superar os desafios exclusivos de desenvolver 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 compostos de IA
Os sistemas compostos de IA são sistemas que lidam com tarefas de IA combinando vários componentes que interagem. Em contraste, um modelo de IA é simplesmente um modelo estatístico, por exemplo, um Transformer que prevê o próximo token em texto. Os sistemas compostos de IA são um padrão de design cada vez mais comum para aplicações de IA devido ao seu desempenho e flexibilidade.
Para obter mais informações, consulte A mudança de modelos para sistemas compostos de IA .
O que são agentes de IA?
A indústria ainda está definindo agentes de IA, no entanto, geralmente entendida como um sistema de IA onde 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.
Muitas aplicações de agentes de IA são feitas de vários sistemas, qualificando-os como sistemas compostos de IA.
A agência é um continuum, quanto mais liberdade proporcionamos modelos para controlar o comportamento do sistema, mais agente se torna a aplicação.
O que são ferramentas?
Os agentes de IA usam ferramentas para executar ações além da geração de linguagem, por exemplo, para recuperar dados estruturados ou não estruturados, executar código ou falar com serviços remotos, como enviar um e-mail ou uma mensagem do Slack.
No Databricks, você pode usar as funções do Unity Catalog como ferramentas, permitindo fácil descoberta, governança e compartilhamento de ferramentas. Você também pode definir ferramentas usando bibliotecas de criação de agente de código aberto como LangChain.
Em fluxos de trabalho agenticos típicos, o LLM do agente recebe metadados sobre ferramentas, que ele usa para determinar quando e como usar a ferramenta. Portanto, ao definir ferramentas, você deve garantir que a ferramenta, seus parâmetros e seu valor de retorno estejam bem documentados, para que o LLM do agente possa usar melhor a ferramenta.
De LLMs a agentes de IA
Para entender os agentes de IA, é útil considerar a evolução dos sistemas de IA.
- LLMs: Inicialmente, grandes modelos de linguagem simplesmente respondiam a prompts com base no conhecimento de um vasto conjunto de dados de treinamento.
- 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 de um LLM com conjuntos de documentação personalizados, enquanto as ferramentas de API permitiram que os LLMs executassem tarefas como criar tíquetes de suporte ou enviar e-mails.
- Agentes de IA: Agora, os agentes de IA criam planos e executam tarefas de forma autônoma 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 principal distinção está no nível de autonomia e capacidade de tomada de decisão em comparação com sistemas compostos de IA.
Do ponto de vista do desenvolvimento, as aplicações de IA, sejam elas LLMs individuais, LLMs com cadeias de ferramentas ou agentes completos de IA enfrentam desafios semelhantes. O Mosaic AI Agent Framework ajuda os desenvolvedores a gerenciar os desafios exclusivos de criação e aplicativos de IA em todos os níveis de complexidade.
Exemplos de agentes de IA
Aqui estão alguns exemplos de agentes de IA em todos os setores:
IA/BI: chatbots e painéis baseados em IA aceitam prompts em linguagem natural para realizar análises nos dados de uma empresa, extraindo insights do ciclo de vida completo de seus dados. Os agentes de IA/BI analisam solicitações, decidem quais fontes de dados são feitas e como comunicar descobertas. Os agentes de IA/BI podem melhorar ao longo do tempo através do feedback humano, oferecendo ferramentas para verificar e refinar os seus resultados.
Atendimento ao cliente: chatbots baseados em IA, como aqueles usados por plataformas de atendimento ao cliente, interagem com os usuários, entendem linguagem natural e fornecem respostas relevantes ou executam tarefas. As empresas usam chatbots de IA para atendimento ao cliente, respondendo a perguntas, fornecendo informações sobre produtos e ajudando na solução de problemas.
Manutenção preditiva de fabricação: os agentes de IA podem ir além de simplesmente prever falhas de equipamentos, agindo de forma autônoma sobre eles, solicitando substituições ou programando manutenção para reduzir o tempo de inatividade e aumentar a produtividade.
Próximos passos
Saiba como desenvolver e avaliar agentes de IA:
Tutoriais práticos do agente de IA: