Che cosa sono gli AI agent?

Se sei una persona che trova il concetto di AI affascinante ma oscuro, gli AI agent ti incuriosiranno. Questi modelli linguistici di grandi dimensioni (LLM) in cui le aziende hanno investito miliardi? Stanno occupando posti di lavoro reali in qualità di cervelli dietro gli AI agent: e se i chatbot potessero comprendere le tue policy HR e avere discussioni dettagliate con i dipendenti a riguardo? E se un sistema di rilevamento delle frodi potesse agire autonomamente per chiudere le transazioni fraudolente quando vengono effettuate? E se potessi dare un obiettivo a un sistema AI e facesse autonomamente quello che serve fare per raggiungerlo?

Tutti questi casi d'uso sono possibili con gli AI agent.

Puoi persino dotare gli agenti di strumenti (algoritmi, input sensoriali, fonti di dati e persino accesso ad altri agenti) in modo che possano eseguire attività complesse autonomamente. Pensa a un robot di magazzino che naviga i corridoi per controllare l'inventario usando le informazioni provenienti da una vasta gamma di sensori, telecamere e scanner con il suo software di controllo e un sistema di gestione del magazzino ERP.

Quella che viene chiamata "AI basata su agent" si sta trasformando in un'opportunità entusiasmante per tutti i tipi di organizzazioni rendendo l'AI facile da usare e molto più utile.

Che cos'è l'AI?

Con AI, o intelligenza artificiale, si intendono sistemi informatici addestrati per simulare l'intelligenza umana. La maggior parte dei sistemi di intelligenza artificiale sono programmati per apprendere e alcuni possono migliorare le loro prestazioni in base a nuove esperienze e dati, risolvere i problemi utilizzando una vasta gamma di input e perseguire obiettivi in modo metodico. Grazie agli ultimi progressi, i sistemi di intelligenza artificiale generativa possono prendere decisioni e intraprendere azioni in modo indipendente per raggiungere i loro obiettivi. La GenAI viene utilizzata in applicazioni diverse come auto a guida autonoma, motori di raccomandazione dei media e strumenti come DALL-E e Midjourney che creano immagini basate su prompt testuali.

Con AI aziendale si intendono gli sforzi per applicare GenAI e le tecnologie correlate ai carichi di lavoro aziendali, con sistemi migliorati con i dati dell'organizzazione. Pensa ad esempio a customer service, marketing personalizzato e agli assistenti HR e finance.

Che cosa sono gli AI agent?

Gli AI agent sono entità software alle quali possono essere assegnati compiti e che possono esaminare i loro ambienti, intraprendere azioni come prescritto dai loro ruoli e adattarsi in base alle loro esperienze.

Le persone forniscono obiettivi agli AI agent in base al ruolo dell'agente e alle esigenze dell'organizzazione. Ricevuto un obiettivo, l'agente può fare piani, eseguire compiti e perseguire l'obiettivo in base alla sua formazione, all'applicazione in cui è incorporato e all'ambiente più ampio in cui opera. Gli agenti apprendono e iterano e possono assumere ruoli specifici, connettersi con le origini dati e prendere decisioni autonomamente. Gli agenti avanzati hanno lavori specializzati che possono prevedere l'esecuzione di processi in più fasi che richiedono giudizio, comunicare in un modo che imiti le interazioni umane e, spesso, collaborare con altri agenti. La natura modulare degli agenti consente flussi di lavoro complessi. L'autonomia data agli agenti è determinata dagli umani che si avvalgono del loro uso. Proprio come quando viene assunto un nuovo assistente, può essere data maggiore autonomia a seconda della competenza dimostrata.

Gli agenti lavorano combinando l'elaborazione del linguaggio naturale, le funzionalità di machine learning, la capacità di raccogliere dati eseguendo query su altri strumenti e sistemi e l'apprendimento continuo per rispondere alle domande ed eseguire attività. Un buon esempio è un AI agent di customer service. Quando un cliente chiede circa il suo ordine, "Dov'è la mia roba?" l'agente genera la sua risposta controllando il sistema di elaborazione degli ordini, interrogando il sistema di tracciamento del vettore di spedizione tramite un'API e raccogliendo informazioni su potenziali condizioni meteorologiche o altri fattori esterni che potrebbero ritardare la consegna.

Il termine "AI basata su agenti" si riferisce a sistemi che perseguono attivamente obiettivi invece di eseguire un'attività semplice o rispondere a query. I sistemi basati su agenti spesso possono avviare azioni, come un'intelligenza artificiale di customer service che invia in modo proattivo una query a un vettore per chiedere informazioni sui ritardi alla spedizione.

Un modo per rendere più utili gli agenti consiste nell'incorporare la retrieval-augmented generation, o RAG, una tecnica che consente ai modelli linguistici di grandi dimensioni di utilizzare origini dati esterne specifiche per il ruolo dell'organizzazione o dell'agente. La RAG consente agli agenti di trovare e incorporare informazioni aggiornate e pertinenti da database esterni, sistemi aziendali come un ERP o documenti nelle loro risposte, rendendole più informative, accurate e pertinenti per il pubblico. Ad esempio, un agente di supporto IT potrebbe prendere in considerazione le interazioni passate con i clienti prima di decidere come affrontare al meglio il problema. Potrebbe includere nella sua risposta dei link a della documentazione utile o decidere di aprire un ticket per conto del cliente se il problema deve portato a livelli più alti.

Concetti chiave

• Gli AI agent sono pianificatori proattivi: lavorano per identificare i passi necessari per raggiungere l'obiettivo desiderato.
• Come con qualsiasi tecnologia AI, gli AI agent possono offrire benefici in modo proporzionale alla loro formazione, ai dati da cui possono attingere e ai limiti stabiliti dalle persone per le loro operazioni.
• Obiettivi chiaramente definiti, raggiungibili, misurabili e quantificabili sono essenziali per il successo degli AI agent.
• I passi per implementare un agente sono simili a qualsiasi implementazione AI, e iniziano con il definire in modo chiaro i parametri dei compiti.

Definizione di AI agent

Un AI agent è un'entità software in grado di percepire il proprio ambiente, intraprendere azioni e apprendere dalle proprie esperienze. Pensalo come un assistente digitale o un robot in grado di eseguire attività in modo autonomo sulla base di istruzioni umane. Gli AI agent hanno caratteristiche distintive, in particolare la capacità di definire obiettivi, raccogliere informazioni e utilizzare la logica per pianificare i passi per raggiungere i loro obiettivi. Poiché sono supportati da LLM che forniscono l'intelligenza per comprendere l'intento alla base delle query, gli AI agent non dipendono da parole chiave, script o semantica preconfigurata. Piuttosto, possono attingere a dati conservati dalle attività precedenti, insieme a prompt basati su chat, per trovare soluzioni in modo dinamico.

Gli AI agent imparano anche attraverso tentativi ed errori. L'apprendimento per rinforzo consente a un modello AI di perfezionare il processo decisionale in base a risposte positive, neutrali e negative. Imita l'ingegnosità umana e può utilizzare strumenti, tra cui applicazioni e fonti di dati aziendali e basate sul cloud, API e altri agenti, per raggiungere i suoi obiettivi. Può anche utilizzare sistemi basati sull'intelligenza artificiale e sul machine learning aggiuntivi per analizzare dati complessi, strumenti di elaborazione del linguaggio naturale per elaborare gli input, RAG per fornire contenuti aggiornati e contestualmente appropriati e servizi cloud per le risorse di calcolo necessarie per svolgere il proprio lavoro.

Come funzionano gli AI agent?

Gli AI agent lavorano usando in modo congiunto tecniche e tecnologie, come quelle che abbiamo appena visto, per raggiungere gli obiettivi a loro assegnati. Ad esempio, un agente di suggerimenti potrebbe utilizzare il machine learning, sfruttando enormi set di dati per identificare i pattern, l'elaborazione del linguaggio naturale per comprendere le richieste e comunicare con gli utenti e le interfacce con strumenti aziendali, come un sistema ERP, un database o sensori Internet of Things o origini dati esterne, tra cui Internet, per raccogliere informazioni.

Gli AI agent sono pianificatori. Possono identificare i task e i passi necessari per raggiungere l'obiettivo assegnato. Nel caso del nostro agente di customer service, per capire dov'è una determinata spedizione ha bisogno di una serie di azioni. Prima di tutto accederebbe ai database con informazioni sull'ordine specifico, come l'ID della spedizione, il metodo di consegna e la data in cui è stato effettuato. Successivamente, utilizzerebbe tali dati per interrogare il database del vettore di spedizione utilizzando un'interfaccia di servizi web per fornire un monitoraggio in tempo reale e una data di consegna stimata. L'agente potrebbe anche guardare dove si trova attualmente la spedizione e quanto tempo ha impiegato in passato per completare la tappa successiva del suo viaggio. Se si trova in un terminal per i trasporti aerei a Boston e un uragano sta raggiungendo la costa orientale, l'agente potrebbe dedurre che probabilmente avverrà un ritardo e trasmettere tali informazioni al cliente.

Vantaggi degli AI agent

Gli AI agent, come qualsiasi tecnologia AI, possono offrire benefici commisurati al loro addestramento e ai dati a cui devono attingere. Una caratteristica che distingue gli agenti dai loro predecessori più statici è che possono riconoscere quando non hanno abbastanza dati per prendere una decisione di qualità elevata e agire per ottenere un maggior numero di dati, o dati di qualità migliore. L'uso degli agenti all'interno delle applicazioni è una versione altamente applicata di AI. In quanto tale, le organizzazioni scopriranno che per avere successo con gli agenti, non c'è bisogno di guru dell'intelligenza artificiale quanto di persone che comprendono i processi aziendali e, verosimilmente, di esperti di qualità dei dati. Questi specialisti possono aiutare a definire gli obiettivi degli agenti, impostare i parametri e valutare se gli obiettivi aziendali vengono raggiunti, rivolgendosi all'IT o al fornitore di software solo se ritengono che l'intelligenza artificiale stessa non funzioni correttamente.

Fra i vantaggi specifici citati dalle persone che per prime hanno adottato gli AI agent ci sono

• Disponibilità 24/7 Gli AI agent possono operare in modo continuo, senza tempi di inattività. E quando vengono forniti dal cloud, gli agent possono operare ovunque si trovino clienti, dipendenti o altri utenti previsti.
• Accuratezza. Gli AI agent possono ridurre al minimo gli errori umani quando eseguono attività ripetitive, e la grande quantità di dati da cui possono attingere porta a decisioni più accurate e ben informate. Naturalmente, ciò sarà possibile solo se hanno accesso a fonti di dati accurate, aggiornate e complete. A differenza degli strumenti GenAI di prima generazione, gli agenti possono riconoscere meglio quando non dispongono di informazioni sufficienti per prendere una decisione di qualità e cercare più dati in base alle loro esigenze.
• Consistency. Gli AI agent possono essere creati per seguire processi e procedure prescrittive, garantendo che i compiti vengano eseguiti sempre allo stesso modo. Gli agenti possono anche ridurre al minimo le variazioni causate dalla stanchezza umana o dalle differenze nel modo in cui i vari dipendenti potrebbero eseguire un processo.
• Risparmio sui costi. Gli AI agent possano ridurre i costi operativi automatizzando le attività ripetitive una volta eseguite dagli esseri umani, ma possono anche scoprire e suggerire modi per ottimizzare i processi riducendo gli errori costosi per l'azienda.
• Analisi dei dati. Gli AI agent possono elaborare e interpretare enormi set di dati per le attività di analisi, tra cui pianificazione a lungo termine, rilevamento delle frodi e manutenzione predittiva per ovviare ai guasti delle apparecchiature. Nei casi in cui l'agente non può analizzare i dati per vari motivi, può richiamare altri strumenti affinché eseguano il compito.
• Efficienza. Gli AI agent possono automatizzare attività e processi, consentendo ai dipendenti di focalizzarsi su attività più complesse e strategiche. E non hanno bisogno di vacanze.
• Personalizzazione. Grazie alle campagne di marketing basate sull'intelligenza artificiale create dagli agenti, le aziende possono targettizzare in modo efficace segmenti di clienti specifici, con conseguente aumento dei tassi di conversione e riduzione dei costi di marketing. A livello generale, c'è un motivo se la personalizzazione è di tendenza: a molti consumatori piace quando le aziende ricordano e utilizzano le loro cronologie di acquisto, le loro preferenze e le loro informazioni personali.
• Scalabilità. Sebbene lo scale-up degli AI agent possa richiedere tempo, può essere più facile e meno costoso rispetto all'aggiungere nuove risorse umane. Espandi il ruolo degli agenti al ritmo che preferisci, valutando la qualità del lavoro a ogni nuovo compito loro assegnato. Considera i dati e le altre risorse disponibili per un agente e se sono sufficienti per raggiungere un nuovo obiettivo. E non dimenticare la formazione: i dipendenti devono essere istruiti su come trarre il massimo dagli agenti che useranno.

Sfide degli AI agent

Gli AI agent possono essere difficili da sviluppare e mettere in produzione principalmente perché fanno affidamento su modelli complessi, una potente infrastruttura di calcolo e grandi quantità di dati che devono essere curati e aggiornati. Inoltre, è necessaria la supervisione dei talenti IT per dare la conferma che gli agenti possano interagire efficacemente con gli esseri umani e adattarsi a situazioni impreviste, e gli esperti di business e dati devono aiutare con la configurazione. Assicurati di avere esperienza nell'elaborazione del linguaggio naturale e nel machine learning e tieni d'occhio questi problemi.

• Adattabilità. Sebbene gli agenti siano progettati per apprendere e migliorare nel tempo, hanno difficoltà quando devono gestire un ambiente in rapida evoluzione o richieste o risultati imprevisti. Spesso la causa è l'overfitting, una sfida comune dell'addestramento dell'AI in cui i modelli si abituano troppi ai dati su cui sono stati addestrati, rendendo difficile incorporarne di nuovi. Gli agenti sono pertanto limitati nel loro ambito di applicazione. Il punto chiave è che non è mai una buona idea chiedere a un neurochirurgo di fare un lavoro idraulico, e lo stesso vale per gli agenti.
• Complessità. Sebbene gli AI agent che si concentrano su attività specifiche e abbastanza di routine possano essere relativamente semplici da usare, man mano che le attività assegnate diventano più sofisticate e richiedono una vasta gamma di funzioni, gli agenti possono diventare difficili da progettare, implementare e gestire. Come con qualsiasi nuova iniziativa, l'adozione degli agenti ha più successi se si procede a piccoli passi incrementali.
• Dipendenza dai dati. Come tutte le AI, gli agenti hanno bisogno di dati di alta qualità per funzionare correttamente. Gli AI agent integrati con altri sistemi, come lo human capital management o l'ERP, sono avvantaggiati poiché questi sistemi accumulano intrinsecamente dati di alta qualità, ma potrebbero dover essere ottimizzati per gestire interazioni e scambio di dati. Le organizzazioni devono assicurarsi che le origini dati da cui gli agenti attingono siano accurate, aggiornate e disponibili.
• Interpretabilità. I sistemi GenAI di prima generazione funzionavano come "scatole nere", rendendo il loro output difficile da analizzare. Gli agenti sono progettati per spiegare in un modo migliore come vengono prese le decisioni e quali dati sono stati presi in considerazione nel processo decisionale. Iniziare con compiti semplici e passare a lavori più complicati solo quando le basi sono già state padroneggiate può aiutare i professionisti aziendali a capire in che modo l'agente sta facendo il suo lavoro. Inoltre, quando gli agenti sbagliano, possono imparare dalle correzioni fatte dagli esperti aziendali. Queste interazioni contribuiscono a una migliore comprensione di come svolgono il loro lavoro.
• Operazioni a uso intensivo di risorse. Come tutte le AI, gli agenti hanno bisogno di potenza di calcolo e uno storage significativi. Quando gli agenti fanno parte di applicazioni distribuite dal cloud, spetta al fornitore procurarsi sistemi in modo appropriato e fornire prestazioni adeguate. Le applicazioni on-premise avranno bisogno dell'IT per garantire risorse sufficienti.
• Rischi per la sicurezza. Per fornire il servizio di cui i professionisti aziendali hanno bisogno, gli agenti devono accedere alle informazioni proprietarie dell'azienda. Inoltre, poiché gli agenti possono ricordare quantomeno i risultati delle transazioni, è importante garantire che gli agenti non forniscano accesso indesiderato ai dati sensibili. Poiché la maggior parte degli agenti verrà fornita all'interno delle applicazioni aziendali, è importante stabilire e mantenere i controlli per evitare che trapelino dati proprietari. Tuttavia, gli agenti rappresentano una nuova via d'accesso per eventuali attacchi per i malintenzionati e un nuovo set di competenze per i team di sicurezza aziendale, che devono valutare continuamente se potrebbero essere persi dei dati.

Componenti degli AI agent

Gli AI agent dipendono da una serie di input per svolgere il proprio lavoro: la combinazione specifica varia a seconda del tipo di agente e del caso d'uso. Un agente di customer service converserà con i clienti, consulterà le loro cronologie di acquisto e supporto e accederà alle librerie di supporto per rispondere alle domande. Alcuni agenti interagiranno solo con altri agenti. Un agente di query del database potrebbe creare query SQL per recuperare le informazioni richieste da altri agenti. Gli agenti che operano come assistenti virtuali misurano il successo a seconda di quanto bene eseguono le attività, spesso in base al feedback umano. Tutti richiedono un mix unico di componenti.

• Azione. Gli attuatori o le interfacce consentono agli agenti di interagire con i propri ambienti. Le azioni potrebbero essere fisiche, come girare una manopola, pilotare un veicolo a guida autonoma o controllare un braccio robotico; cognitive, ad esempio fare una scelta tra diverse opzioni per una mossa d'apertura o creare un elenco di possibili modi per arrivare allo scaccomatto; o comunicative, tra cui redigere un'e-mail, trascrivere un audio, o porre domande e rispondere.
• Obiettivi/utilità. Obiettivi e utilità sono correlati. Gli obiettivi definiscono il risultato desiderato per l'agente, ad esempio un assistente HR che ha creato correttamente l'annuncio di un lavoro con input da parte di recruiter e hiring manager. L'utilità misura quanto bene l'agente raggiunge i suoi obiettivi e può essere rappresentata da un valore numerico. Un agente di gaming misurerà l'utilità in base alle partite vinte, mentre l'utilità di un veicolo autonomo sarà in gran parte basata sul suo record di sicurezza e sui punteggi dei piloti.
• Apprendimento. Gli AI agent possono migliorare i risultati incorporando lezioni dalle attività svolte. L'apprendimento di un LLM si interrompe quando il suo allenamento si ferma, ma osservando quali combinazioni di dati proprietari e domande producono i migliori risultati, un agente può diventare migliorare con l'esecuzione delle attività nel corso del tempo. Gli agenti potrebbero anche acquisire nuove conoscenze da una formazione aggiuntiva, che si tratti di apprendimento supervisionato, non supervisionato o di rinforzo. Il recruiter potrebbe valutare l'agente in base alla descrizione del lavoro che ha prodotto, aggiungendo la valutazione al suo punteggio di utilità; l'agente utilizza quindi tali dati per guidare la scrittura futura.
• Memoria. Ciò si riferisce alla capacità dell'agente di memorizzare informazioni da esperienze passate e recuperarle e utilizzarle per prendere decisioni più informate e adattarsi alle circostanze in evoluzione. La memoria è essenziale per consentire agli agenti AI di migliorare le prestazioni nel corso del tempo.
• Percezione. Gli AI agent possono utilizzare sensori o altri meccanismi per raccogliere e percepire informazioni dai loro ambienti. Pensa a una fotocamera per riconoscere oggetti e rilevare pattern o un microfono per acquisire ed elaborare query vocali. Gli agenti possono anche utilizzare i sensori per aiutare a manipolare gli oggetti o navigare le proprie posizioni nel mondo fisico.
• Ragionamento. Un processo decisionale logico basato su dati, regole, probabilità e pattern appresi è fondamentale per un AI agent. Il ragionamento è ciò che consente a un agente di identificare più opzioni diverse e decidere la linea d'azione ottimale in base alle informazioni disponibili e ai criteri di risultato.

Tipi di AI agent

1. Agenti di riflesso semplice. Questi agenti operano sulla base di una serie di regole di condizione/azione e reagiscono agli input senza considerare il contesto più ampio o lo storico. Un esempio è un chatbot di base programmato per rispondere a parole chiave o frasi predefinite, senza comprendere il contesto o impegnarsi in una conversazione espansiva.
2. Agenti di riflesso basato su modelli. Questi agenti hanno modelli interni dell'ambiente rilevanti per le loro funzioni, cosa che consente loro di prendere in considerazione la situazione attuale e gli effetti di varie azioni prima di decidere cosa fare. Le auto a guida autonoma sono un buon esempio. Il loro "mondo" è la strada che le circonda. Devono tenere traccia dei movimenti delle cose all'interno del loro mondo e prendere decisioni su quanto velocemente possono viaggiare e se hanno bisogno di frenare o effettuare azioni evasive quando gli oggetti si muovono verso di loro.
3. Agenti basati sugli obiettivi. Questi agenti si basano sulle capacità degli agenti di riflesso prendendo in considerazione obiettivi a lungo termine e pianificando le loro azioni di conseguenza. Hanno un processo decisionale più sofisticato rispetto agli agenti di riflesso. Ad esempio, un agente di scacchi o go deve pensare varie mosse in anticipo e avere una strategia per vincere, cosa che può implicare fare sacrifici nel breve periodo.
4. Agenti basati sull'utilità. Questi agenti prendono decisioni in base alla massimizzazione dell'utilità desiderata, ovvero la misura del successo con cui l'AI agent raggiunge i propri obiettivi nel tempo. Ciò significa che scelgono le azioni in modo più strategico, selezionando quelle che hanno maggiori probabilità di portare a risultati positivi o ridurre al minimo quelli negativi a lungo termine. Mirano a massimizzare la soddisfazione o i benefici anche di fronte a obiettivi contrastanti cercando un equilibrio. Mentre gli agenti basati su obiettivi potrebbero cercare di vincere una partita, un agente basato su utility cercherà di ottimizzare continuamente in favore di un obiettivo continuo, come ridurre al minimo l'uso di energia o massimizzare le vendite di un prodotto ad alto margine.
5. Agenti di apprendimento. Questi agenti ottimizzano le prestazioni nel tempo incorporando nuovi dati e perfezionando le risposte in base alle interazioni con gli utenti. I motori di suggerimento sono agenti di apprendimento. L'accuratezza migliora nel tempo, indipendentemente dal fatto che l'agente suggerisca film e programmi TV, musica o oggetti che un consumatore potrebbe voler acquistare.

Casi d'uso degli AI agent

I casi d'uso ideali degli AI agent in genere hanno dati correlati e altri sistemi, come un CRM o un ERP, su cui gli AI agent si basano. Sono anche orientati verso un compito: ad esempio rispondere a una domanda del cliente o guidare un passeggero da un punto A a un punto B. Cerca lavori che sfruttino la capacità degli agenti di migliorare le loro prestazioni nel tempo e di prendere decisioni in base alla loro comprensione dei loro ambienti e degli obiettivi assegnati.

Fra i casi d'uso attuali più comuni ci sono

• Veicoli autonomi. Le auto a guida autonoma navigano e prendono decisioni in base all'ambiente circostante.
• Consigli sui contenuti. Suggerimenti su piattaforme come Netflix o YouTube possono aumentare il coinvolgimento attraverso contenuti personalizzati.
• Assistenza clienti. I chatbot automatizzati per rispondere alle richieste dei clienti che possono andare oltre le risposte preformate sono fondamentali per la soddisfazione del cliente.
• Finance. Gli agenti utilizzati dalle società di servizi finanziari includono sistemi di trading automatizzati e rilevamento delle frodi.
• Videogiochi. Un esempio sono gli agenti che agiscono come NPC o personaggi non giocatori, con un comportamento adattivo che può aiutare gli sviluppatori di videogiochi a concentrarsi maggiormente sulle trame principali.
• Servizi sanitari. Gli AI agent che aiutano a diagnosticare determinate condizioni mediche o aiutano a gestire l'assistenza ai pazienti sono addestrati con cartelle cliniche e immagini mediche (di solito anonime) che insegnano loro a identificare pattern in modo da poter prevedere risultati e fattori di rischio e suggerire possibili azioni.
• Assistenti personali. Gli assistenti virtuali, come Siri o Google Assistant, sono esempi di agenti che apprendono tramite le interazioni con i clienti.
• Retail. Le opzioni nel retail sono quasi infinite. Ad esempio, Neostar offre una piattaforma per l'acquisto, la vendita e la manutenzione di auto usate. Utilizza un agente per supportare le comunicazioni personalizzate con i clienti, con elenchi di prodotti consigliati per evidenziare i suggerimenti sui veicoli nei messaggi e-mail che coinvolgono nuovamente i clienti e li reindirizzare al sito Web di Neostar.
• Robotica. I robot basati sull'intelligenza artificiale possono essere controllati da agenti che percepiscono i loro ambienti, prendono decisioni e intraprendono azioni. I robot utilizzati nelle linee di produzione e assemblaggio, ad esempio, spesso si affidano agli AI agent per eseguire attività che includono il prelievo, l'imballaggio e il controllo della qualità.
• Smart home. La gestione dei sistemi di domotica e la risposta alle domande verbali sono lavori popolari per gli agenti, così come l'alimentazione di telecamere di sicurezza, campanelli e allarmi che utilizzano l'intelligenza artificiale per rilevare e rispondere a potenziali minacce.
• Supply chain management. L'ottimizzazione della logistica potrebbe includere l'uso degli agenti per analizzare i dati di magazzino per identificare gli articoli poco venduti e rilevare i cambiamenti nei pattern di domanda e adeguare di conseguenza i livelli di magazzino, in modo da ridurre i costi di gestione.

6 best practice per gli AI agent

Come con qualsiasi investimento tecnologico, vuoi che gli AI agent forniscano le funzionalità desiderate, ora e in futuro, a costi contenuti. Per gli agenti incorporati nelle applicazioni, le best practice sono simili a quelle che adopereresti per un nuovo dipendente, ad esempio monitorando attentamente i risultati iniziali e aumentando la complessità del lavoro man mano che il dipendente procede con le attività assegnate.

Per le organizzazioni che cercano di creare agenti per le proprie esigenze specifiche, il processo è più complesso. Considera questi sei requisiti e questi consigli su come affrontarli.

1. Definisci obiettivi chiari. Obiettivi chiaramente definiti, raggiungibili, misurabili e quantificati sono essenziali per gli AI agent. Come succede con i dipendenti, se l'agente non capisce le aspettative, è che le non le soddisferà. Le chiavi per il successo includono mantenere gli obiettivi ben definiti e specifici. Evita obiettivi vaghi o ambigui, mirando invece a obiettivi raggiungibili considerate le capacità e le risorse dell'AI agent. Definisci i KPI per misurare il successo e utilizza tali dati per migliorare il modello.
2. Apprendimento continuo. Il perfezionamento continuo di un LLM alla base di un agente non è pratico, ma lo è perfezionare i dati che utilizza per prendere decisioni e completare le attività. Nel caso degli agenti incorporati nelle applicazioni, spetterà al fornitore decidere quando è il momento di perfezionare la formazione degli LLM che alimentano i suoi sistemi. Inoltre, al fornitore spetterà anche perfezionare il modo in cui le interazioni con l'agente vengono memorizzate e richiamate per facilitare la memoria dell'agente del lavoro passato.
   
   Negli agenti personalizzati, il perfezionamento delle tecniche di memoria e dei dati e di altri input forniti può avvenire più frequentemente rispetto al perfezionamento degli LLM stessi. Per coloro che creano i propri agenti, questi processi dovranno essere elaborati prima che l'agente sia pronto per l'uso e probabilmente modificati per ottimizzare il funzionamento dell'agente.
3. Documentazione. La documentazione è essenziale per comprendere, mantenere e migliorare gli AI agent. Esistono almeno due tipi principali di documentazione da considerare:
   • I documenti tecnici possono includere diagrammi dei componenti, del flusso di dati e dei processi decisionali dell'AI agent, nonché record di qualsiasi nuovo codice necessario per la funzionalità dell'AI agent, gli algoritmi e i modelli utilizzati, e i dati per gestirlo.
   • La documentazione operativa include manuali per gli utenti su come interagire con l'AI agent, linee guida per l'IT per la sua manutenzione, tra cui la risoluzione dei problemi, e istruzioni per l'integrazione degli agenti con le origini dati di cui hanno bisogno per funzionare.
   Inoltre, monitora e condividi gli indicatori KPI che stai utilizzando per misurare le prestazioni dell'AI agent e traccia i risultati nel tempo.
4. Supervisione umana. Proprio come un nuovo dipendente, gli agenti avranno bisogno di tempo per conoscere la tua organizzazione e le sue pratiche. Dovrai anche rallentare con l'assegnazione delle attività agli agenti e il monitoraggio dei risultati. Garantisci un'ampia supervisione fino a quando i membri del team non sono sicuri che l'agente possa lavorare in modo autonomo. Assegna ruoli di supervisione a singoli individui o team, operando sotto una struttura di governance, e assicurati che il tuo dipendente nel sistema consenta l'intervento e che l'agente incorpori e dia priorità al feedback umano.
5. Test efficaci. Analizza attentamente l'agente in diversi scenari, sia prima che dopo l'implementazione, e concentrati sui test di convalida per valutare le prestazioni rispetto ai benchmark o ai risultati dei processi reali. Testa tutti i componenti dell'agente singolarmente e poi guardare come interagiscono, per quanto possibile. Assicurati inoltre che l'agente attinga a dati da sistemi esterni pertinenti, come un ERP o un database, senza colli di bottiglia. Infine, esegui test UX con gli effettivi utenti del sistema.
6. Misure di sicurezza. Proteggi l'agente da accessi e attacchi non autorizzati crittografando e, quando è il caso, anonimizzando i dati utilizzati dall'agente. Sono fondamentali anche controlli di accesso efficaci. La sicurezza della rete e dell'infrastruttura, la codifica di sicurezza, il monitoraggio e la risposta agli incidenti e le pratiche di garanzia dovrebbero estendersi ai sistemi AI.

Implementazione degli AI agent

I passi per implementare un agente sono simili a qualsiasi implementazione AI. In primo luogo, definisci il compito: cosa vuoi che l'agente faccia? Cerca di specificare il più possibile gli obiettivi. Quindi, identifica il processo funzionale che l'agente seguirà, i dati a cui dovrà accedere, gli esperti aziendali rilevanti e gli strumenti e altri agenti a cui può accedere come parte del suo lavoro.

Spesso è meglio iniziare assegnando un piccolo gruppo di test beta, monitorando attentamente l'uso e i risultati, ottimizzando l'agente in base ai risultati e aumentando l'autonomia in base al successo ottenuto. All'occorrenza, potresti modellare il processo in base al provisioning di un nuovo dipendente. Pensa ad esempio a un agente di previsione della domanda che aiuta un retailer a pianificare la stagione del rientro a scuola.

1. Descrivi chiaramente il lavoro. L'AI agent è tenuto a prevedere la domanda di prodotti, tra cui zaini, quaderni e abbigliamento per bambini.
2. Decidi quali dati sono necessari. Cura le origini dati per preparare il tuo agente al successo. La previsione della domanda avrà bisogno, come minimo, di dati sulle vendite passate per i prodotti previsti; di informazioni sulle attuali tendenze del mercato e sugli indicatori economici; di dati demografici sui clienti e della cronologia degli acquisti. L'aggiunta di dati sui pattern stagionali che possono influire sulla domanda, come le temperature previste superiori al normale, e dettagli storici su promozioni, sconti e attività di marketing di successo probabilmente contribuirà ad aumentare la precisione.
3. Introduci assistenti. L'integrazione degli AI agent con altri sistemi, come la gestione del magazzino, il tuo ERP e gli strumenti di pianificazione della supply chain, contribuirà a migliorarne l'efficacia. Dovrai anche identificare esperti umani nelle linee di prodotti pertinenti in grado di fornire insight preziosi e aiutare l'AI agent a fare previsioni più accurate.
4. Fornisci del feedback. La valutazione e l'ottimizzazione regolari sono un investimento anticipato di tempo che spesso si rivela utile. Raccogli i feedback dei clienti e dei tuoi esperti per identificare le aree di miglioramento e collabora con il fornitore del software per adattarlo in base alle esigenze.

Un consiglio: avrai bisogno di risorse di calcolo sufficienti per eseguire l'AI agent, in quanto delle prestazioni scadenti spegneranno l'entusiasmo prima che il progetto si metta in moto.

Esempi di AI agent

Questi sono solo alcuni degli AI agent attualmente disponibili. Le organizzazioni dovrebbero chiedersi quali sono i loro punti deboli: per quali ruoli stai avendo problemi a trovare personale? Quali opportunità hai identificato ma non hai sfruttato perché non avevi le risorse per testare la tua ipotesi? C'è qualcosa di cui i dipendenti o i clienti si lamentano da sempre che potrebbe essere risolta dall'AI? Inoltre, parla con i tuoi fornitori di applicazioni cloud e aziendali per vedere quali agenti stanno inserendo nei loro prodotti e servizi. Queste tabelle di marcia possono stimolare le idee.

Fra i tipi di AI agent ci sono

• Agenti conversazionali che interagiscono con il mondo esterno. Nel caso delle applicazioni aziendali, le interazioni solitamente avvengono con gli esseri umani, ma potrebbero avvenire anche con un altro programma software. In ambienti industriali, ad esempio, gli agenti conversazionali possono interagire con apparecchiature di produzione o dispositivi Internet of Things.
• Gli agenti funzionali, detti anche agenti user-proxy, sono associati a un utente tipo o a un ruolo organizzativo specifico. Utilizzando un esempio del mondo reale, potresti incontrare diversi “agenti funzionali” quando ti sottoponi alla visita medica annuale: il receptionist ti fa il check-in e l'infermiere prende nota di segni vitali di base come il tuo peso e la tua pressione sanguigna. Per finire incontri il medico, la persona che conduce un esame più dettagliato, assistito da un agente che riassume la visita e genera i documenti necessari. Ciascuno di questi agenti esegue attività secondarie specifiche, con competenze specifiche, utilizzando strumenti diversi, e tutti sono in grado di comunicare tra loro in base alle esigenze per eseguire un task.
  
  Fra gli esempi di agenti funzionali ci sono
  • Agente hiring manager. Gestisce task come la documentazione dei requisiti, ad esempio le competenze e l'esperienza dei candidati, per aiutare gli hiring manager a pubblicare un'opportunità di lavoro.
  • Agente di Field Service. Fornisce informazioni ai tecnici, automatizza attività come la pianificazione, aiuta con diagnostica e prende altre decisioni per flussi di lavoro di field service più efficienti.
  • Agente per la contabilità clienti. Semplifica l'elaborazione dei pagamenti; intraprende misure per migliorare il flusso di cassa, ad esempio l'avvio di procedure di sollecito; produce report sulle prestazioni della contabilità clienti.
  • Agente di assistenza clienti. Migliora le funzioni di assistenza clienti fornendo informazioni pertinenti agli agenti dell'assistenza o ai clienti.
• Gli agenti di supervisione sono i direttori d'orchestra. Questi agenti dirigono altri agenti e guidano la pianificazione e il ragionamento necessari per raggiungere un obiettivo. Un esempio è un agente user-proxy che prende decisioni sull'agire per conto di un essere umano o connettersi con una persona per avere un feedback human-in-the-loop.
• Gli agenti utility, detti anche agenti basati su task, sono in genere associati a una funzione specifica e vengono richiamati da altri agenti per eseguire un task, ad esempio eseguire query su un database, inviare un'e-mail, eseguire un calcolo o recuperare un documento. Gli agenti utility implementati come parte di un flusso di lavoro complesso di solito agiscono in modo autonomo per via della loro funzionalità a basso rischio. Gli esempi includono
  • Agente di coding. Scrive codice per eseguire un'attività specifica utilizzando linguaggi come HTML, Java o Python.
  • Agente conversazionale. Riceve compiti da persone e comunica i risultati delle attività del flusso di lavoro nel modo più adatto al richiedente.
  • Agente di generazione di copie. Riepiloga un testo o genera testi di esempio da utilizzare come punto di partenza per comunicazioni più lunghe.
  • Agente di query del database. Esegue task correlati al recupero dei dati, ad esempio l'esecuzione di query SQL.
  • Agente RAG. Coordina il recupero di dati specifici e aggiornati necessari affinché un LLM dia una risposta adeguata a un prompt o svolga un compito.
  • Agente scheduler. Pianifica le riunioni con gli stakeholder per far progredire un progetto.
  • Agente di ricerca. Determina il tipo di ricerca ottimale, ad esempio una ricerca web o di un documento, e richiama lo strumento appropriato per eseguire il task.
  • Agente di arricchimento delle competenze. Utilizza la documentazione per suggerire le competenze necessarie per completare i task, ad esempio creare un annuncio di lavoro o assistere un dipendente nella creazione del profilo.

Aumenta l'efficienza con gli OCI Generative AI Agents

Gli OCI Generative AI Agents uniscono la potenza di LLM e RAG in modo che dipendenti, partner e clienti possano eseguire direttamente query su diverse knowledge base arricchite con i dati aziendali. Crea e incorpora rapidamente AI agent personalizzati nelle applicazioni e nei processi aziendali.

Il servizio fornisce informazioni aggiornate attraverso un'interfaccia di linguaggio naturale e la possibilità di agire direttamente su di esso. Vuoi provare la tecnologia degli AI agent? OCI Generative AI RAG Agent, il primo di una serie di Oracle AI agent, è ora disponibile.

La maggior parte di noi ha posto una domanda a un chatbot e ha ricevuto una risposta che non ha risolto il problema. Mettere fine a questa frustrazione è l'obiettivo finale degli AI agent intelligenti. Offrire alle persone informazioni contestualmente accurate e pertinenti è un bene per loro e per la tua organizzazione.

Domande frequenti sugli AI agent

Quali sono i tipi di AI agent?

Fra i tipi di AI agent ci sono quelli di riflesso semplice, di riflesso basati su modelli, basati su obiettivi, basati su utility e apprendimento.

1. Gli agenti di riflesso semplice operano sulla base di una serie di regole di condizione/azione e reagiscono agli input senza considerare il contesto più ampio.
2. Gli agenti di riflesso basati su modello hanno un modello interno dell'ambiente rilevanti per la loro funzione, cosa che consente loro di prendere in considerazione la situazione attuale e gli effetti di varie azioni prima di decidere cosa fare.
3. Gli agenti basati su obiettivi migliorano le capacità degli agenti di riflesso prendendo in considerazione obiettivi a lungo termine e pianificando le loro azioni di conseguenza.
4. Gli agenti basati su utility sono associati a una funzione specifica e vengono richiamati da altri agenti per eseguire un task, ad esempio eseguire query su un database, inviare un'e-mail, eseguire un calcolo o recuperare un documento.
5. Gli agenti di apprendimento ottimizzano le prestazioni nel tempo incorporando nuovi dati e perfezionando le risposte in base alle interazioni con gli utenti.

Quali sono degli esempi di AI agent che troviamo nella vita di tutti i giorni?

I primi esempi di AI agent nella vita di tutti i giorni sono stati Alexa, Google Assistant e Siri, assistenti virtuali in grado di eseguire attività come l'impostare sveglie, l'inviare messaggi e il cercare informazioni. Per le aziende, Oracle Digital Assistant è una piattaforma AI conversazionale che consente alle aziende di creare chatbot e assistenti virtuali per il customer service e altre applicazioni, essenzialmente un AI agent che aiuta le aziende a creare i propri agenti.