¿Qué son los sistemas de inteligencia artificial compuestos y los agentes de inteligencia artificial?
Mosaic AI Agent Framework ayuda a los desarrolladores a superar los desafíos únicos del desarrollo de agentes de inteligencia artificial y sistemas de inteligencia artificial compuestos. Obtenga información sobre lo que hace que una aplicación de inteligencia artificial sea un sistema de inteligencia artificial compuesto y un agente de IA de .
Sistemas compuestos de inteligencia artificial
Los sistemas compuestos de inteligencia artificial son sistemas que abordan las tareas de inteligencia artificial mediante la combinación de varios componentes que interactúan. En cambio, un modelo de inteligencia artificial es simplemente un modelo estadístico, por ejemplo, un transformador que predice el siguiente token en texto. Los sistemas de inteligencia artificial compuesta son un patrón de diseño cada vez más común para las aplicaciones de inteligencia artificial debido a su rendimiento y flexibilidad.
Para obtener más información, consulte El cambio de modelos a sistemas compuestos de IA.
¿Qué son los agentes de inteligencia artificial?
El sector sigue definiendo agentes de IA, pero generalmente se entiende como un sistema de inteligencia artificial en el que el modelo toma algunas o todas las decisiones de planificación en contraste con una lógica codificada de forma rígida. Estos agentes usan modelos de lenguaje grandes (LLM) para tomar decisiones y lograr sus objetivos.
Muchas aplicaciones de agentes de IA están hechas de varios sistemas, lo que las califica como sistemas de IA compuestos.
La agencia es un continuo, más libertad proporcionamos modelos para controlar el comportamiento del sistema, cuanto más agente se convierte la aplicación.
¿Qué son las herramientas?
Los agentes de IA usan herramientas para realizar acciones además de la generación de lenguaje, por ejemplo, para recuperar datos estructurados o no estructurados, ejecutar código o comunicarse con servicios remotos, como enviar un correo electrónico o un mensaje de Slack.
En Databricks, puede usar las funciones del catálogo de Unity como herramientas, lo que permite la fácil detección, gobernanza y uso compartido de herramientas. También puede definir herramientas mediante bibliotecas de creación de agentes de código abierto como LangChain.
En los flujos de trabajo de agente típicos, el LLM del agente recibe metadatos sobre las herramientas, que usa para determinar cuándo y cómo usar la herramienta. Por lo tanto, al definir herramientas, debe asegurarse de que la herramienta, sus parámetros y su valor devuelto estén bien documentados, de modo que el LLM del agente pueda usar mejor la herramienta.
Desde MÁQUINAS VIRTUALES a agentes de IA
Para comprender los agentes de IA, resulta útil tener en cuenta la evolución de los sistemas de IA.
- LLMs: inicialmente, los modelos de lenguaje grande simplemente respondieron a las solicitudes basadas en el conocimiento de un amplio conjunto de datos de entrenamiento.
- LLMs + cadenas de herramientas: a continuación, los desarrolladores agregaron herramientas codificadas de forma dura para expandir las funcionalidades de LLM. Por ejemplo, la generación aumentada de recuperación (RAG) expandió la base de conocimiento de un LLM con conjuntos de documentación personalizados, mientras que las herramientas de API permitían a las VM realizar tareas como crear incidencias de soporte técnico o enviar correos electrónicos.
- Agentes de IA: ahora, los agentes de IA crean planes y ejecutan tareas de forma autónoma en función de su comprensión del problema. Los agentes de IA siguen usando herramientas, pero es necesario decidir qué herramienta usar y cuándo. La distinción clave está en el nivel de autonomía y capacidades de toma de decisiones en comparación con los sistemas compuestos de IA.
Desde el punto de vista del desarrollo, las aplicaciones de IA, ya sean LLM individuales, LLM con cadenas de herramientas o agentes completos de IA se enfrentan a desafíos similares. Mosaic AI Agent Framework ayuda a los desarrolladores a administrar los desafíos únicos de la creación y la IA de aplicaciones en todos los niveles de complejidad.
Ejemplos de agentes de IA
Estos son algunos ejemplos de agentes de IA en todos los sectores:
AI/BI: los bots de chat y los paneles con tecnología de IA aceptan avisos de lenguaje natural para realizar análisis en los datos de una empresa, lo que extrae información sobre el ciclo de vida completo de sus datos. Los agentes de IA/BI analizan las solicitudes, deciden qué orígenes de datos deben y cómo comunicar los resultados. Los agentes de IA/BI pueden mejorar con el tiempo a través de comentarios humanos, a través de las herramientas para comprobar y refinar sus resultados.
Servicio al cliente: bots de chat con tecnología de IA, como los que usan las plataformas de servicio al cliente, interactúan con los usuarios, comprenden el lenguaje natural y proporcionan respuestas relevantes o realizan tareas. Las empresas usan bots de chat de IA para responder a las consultas, proporcionar información del producto y ayudar a solucionar problemas en el servicio al cliente.
Mantenimiento predictivo de fabricación: los agentes de IA pueden hacer más que simplemente predecir errores de equipos, actuar de forma autónoma sobre ellos ordenando reemplazos o programando mantenimiento para reducir el tiempo de inactividad y aumentar la productividad.
Pasos siguientes
Aprenda a desarrollar y evaluar agentes de IA:
Tutoriales prácticos del agente de IA: