Os agentes de IA são a ‘próxima fronteira’ e mudarão nossas vidas profissionais para sempre

Construir e implementar sistemas baseados em IA pode parecer um projeto grande e pesado, repleto de riscos. No entanto, está a surgir outro modo de entrega: agentes baseados em IA.

A IA generativa adicionou novo peso e capacidades aos agentes que muitas vezes eram difíceis de configurar e gerenciar. Uma nova pesquisa mostra que esses serviços mais fáceis de configurar estão atraindo a atenção dos tecnólogos e de seus líderes empresariais.

Além disso: 6 maneiras pelas quais a IA pode ajudar a lançar seu próximo empreendimento comercial

Os agentes baseados em IA representam a “próxima fronteira” da IA, de acordo com um relatório da consultora McKinsey. O relatório prevê que a influência dos sistemas agentes – definidos como “sistemas digitais que podem interagir de forma independente num mundo dinâmico” – aumentará.

Embora os sistemas de agentes já existam há algum tempo, “as capacidades de linguagem natural da geração AI revelam novas possibilidades, permitindo sistemas que podem planejar suas ações, usar ferramentas on-line para concluir essas tarefas, colaborar com outros agentes e pessoas e aprender a melhorar seu desempenho”, afirmou a equipe de autores da McKinsey, liderada por Lareina Yee.

Além disso: os 8 principais casos de uso de IA deste ano

O próximo estágio da IA ​​generativa provavelmente será ainda “mais transformador”, sugeriram Yee e seus colegas. “Estamos iniciando uma evolução de ferramentas baseadas em conhecimento e alimentadas por IA – digamos, chatbots que respondem a perguntas e geram conteúdo – para agentes habilitados por IA que usam modelos básicos para executar fluxos de trabalho complexos e de várias etapas em um mundo digital. . Em suma, a tecnologia está a passar do pensamento à acção.”

A maioria dos 1.100 executivos de tecnologia (82%) que responderam a uma pesquisa recente da consultora Capgemini indicaram que pretendem integrar agentes baseados em IA em suas organizações nos próximos três anos – acima dos 10% com agentes em funcionamento no momento atual.

O relatório constatou que sete em cada dez entrevistados (70%) confiariam em um agente de IA para analisar e sintetizar dados, e 50% confiariam em um agente de IA para enviar um e-mail profissional em seu nome. Cerca de três quartos dos entrevistados (75%) disseram que pretendem implantar agentes de IA para realizar tarefas como gerar e melhorar iterativamente o código. Outras tarefas potenciais para os agentes incluíam a geração e edição de relatórios preliminares (70%) e conteúdo do site (68%), além da geração de e-mails, codificação e análise de dados.

Os agentes alimentados por IA são capazes de assumir uma diversidade de funções. “Um assistente virtual, por exemplo, poderia planejar e reservar um itinerário de viagem complexo e personalizado, lidando com a logística em múltiplas plataformas de viagem”, afirma o relatório da McKinsey. “Usando a linguagem cotidiana, um engenheiro poderia descrever um novo recurso de software para um agente programador, que então codificaria, testaria, iteraria e implantaria a ferramenta que ajudou a criar.”

Em outro exemplo, um fornecedor, Qventus, oferece um assistente baseado em IA voltado para o cliente, chamado Patient Concierge, que liga para os pacientes e os lembra de consultas, reitera diretrizes pré e pós-operatórias e responde a perguntas sobre cuidados gerais.

Além disso: quando é o momento certo para investir em IA? 4 maneiras de ajudá-lo a decidir

Existem seis níveis de agentes de IA, cada um oferecendo funcionalidades crescentes, conforme explicado neste tutorial publicado pela Amazon Web Services:

• Agentes reflexos simples: Adequado para tarefas simples, como redefinição de senhas. “Opera estritamente com base em regras predefinidas e seus dados imediatos. Não responderá a situações além de uma determinada regra de ação de condição de evento.”
• Agentes reflexos baseados em modelos: Semelhante a agentes reflexos simples, mas “em vez de apenas seguir uma regra específica, avalia resultados e consequências prováveis ​​antes de decidir. Constrói um modelo interno do mundo que percebe e usa isso para apoiar suas decisões”.
• Agentes baseados em metas/regras: Possui capacidades de raciocínio mais robustas do que os agentes reflexos, tornando-os adequados para “tarefas mais complexas, como processamento de linguagem natural e aplicações robóticas”. O agente baseado em metas/regras “compara diferentes abordagens para ajudá-lo a alcançar o resultado desejado e sempre escolhe o caminho mais eficiente”.
• Agentes baseados em utilitários: “Compara diferentes cenários e seus respectivos valores de utilidade ou benefícios” – como ajudar os clientes a procurar as melhores ofertas aéreas. “Usa um algoritmo de raciocínio complexo para ajudar os usuários a maximizar os resultados desejados.”
• Agentes de aprendizagem: “Aprende continuamente com experiências anteriores para melhorar seus resultados. Usando informações sensoriais e mecanismos de feedback, o agente adapta seu elemento de aprendizagem ao longo do tempo para atender a padrões específicos. Além disso, ele usa um gerador de problemas para projetar novas tarefas para se treinar a partir de dados coletados dados e resultados anteriores.”
• Agentes hierárquicos: Isso coloca os agentes no comando de outros agentes. “Os agentes de nível superior desconstroem tarefas complexas em tarefas menores e as atribuem a agentes de nível inferior. Cada agente funciona de forma independente e envia um relatório de progresso ao seu agente supervisor. O agente de nível superior coleta os resultados e coordena os agentes subordinados para garantir que eles atingir coletivamente os objetivos.”

Até agora, os agentes de software “têm sido difíceis de implementar, exigindo uma programação laboriosa e baseada em regras ou formação altamente específica de modelos de aprendizagem automática”, observou a equipa da McKinsey. No entanto, uma grande mudança está ocorrendo agora.

“A geração AI muda isso. Quando os sistemas de agente são construídos usando modelos básicos – que foram treinados em conjuntos de dados não estruturados extremamente grandes e variados – em vez de regras predefinidas, eles têm o potencial de se adaptar a diferentes cenários da mesma forma que os LLMs podem responder de forma inteligível a solicitações nas quais não foram explicitamente treinados.”

Além disso: 4 maneiras de ajudar sua organização a superar a inércia da IA

O uso do processamento de linguagem natural pelos agentes de IA também muda a equação. “Atualmente, para automatizar um caso de uso, primeiro ele deve ser dividido em uma série de regras e etapas que podem ser codificadas”, disse a equipe da McKinsey.

“Essas etapas são normalmente traduzidas em código de computador e integradas em sistemas de software – um processo muitas vezes caro e trabalhoso que requer conhecimento técnico significativo. Como os sistemas de agente usam linguagem natural como forma de instrução, até mesmo fluxos de trabalho complexos podem ser codificados com mais rapidez e facilidade Além do mais, o processo pode ser potencialmente realizado por funcionários não técnicos, em vez de engenheiros de software.”