Tornando os agentes de IA ‘mais inteligentes’ com dados conectados

O mais recente conceito Buzzy no mundo da IA ​​agora está transcendendo seu hype inicial. Os avanços na IA agêntica estão acelerando o desenvolvimento de sistemas de negócios autônomos, desenvolvendo -se após o progresso no aprendizado de máquina. Atuando como um ‘agente’ independente, a tecnologia pode tomar decisões informadas com base nos dados e algoritmos multimodais em que são construídos e depois ‘aprender’ com suas experiências.

Mas, ainda mais emocionante, a IA Agentic pretende executar tarefas de forma independente. É essa capacidade de adaptar, planejar e executar tarefas complexas sem intervenção humana direta é o que diferencia a IA agêntica de seus antecessores.

No contexto da cadeia de suprimentos, por exemplo, os agentes da IA ​​podem monitorar as tendências do mercado e os padrões de demanda histórica para prever os níveis de estoque e planejar maneiras de evitar cenários fora de estoque, como automatizar certos processos de reabastecimento. Os agentes detectam quando as condições do mercado flutuam e ajustam seu comportamento de acordo, a fim de se tornarem mais eficazes na busca da otimização da cadeia de suprimentos. Portanto, não é surpreendente que mais do que um em cada quatro líderes (26 %) Digamos que suas organizações estão começando a desenvolver roteiros estratégicos para o uso da IA ​​Agentic.

No entanto, por mais que pareça terceirizar essas tarefas para a IA Agentic, também precisamos errar pelo lado da cautela. Por todo o seu poder autônomo, como as ações e saídas dos agentes de IA podem ser totalmente confiáveis? Se confiarmos na IA Agentic para concluir tarefas sofisticadas por conta própria, como garantimos que suas decisões estejam realmente fundamentadas no que está acontecendo no mundo real ou na visão do mundo da empresa? Da mesma forma que nossos cérebros usam observação e entradas extras para tirar conclusões, os agentes da IA ​​precisam confiar em muitas fontes e sinais externos para aprimorar seus recursos de raciocínio.

Essa necessidade pode ser atendida por soluções e plataformas que coletam e apresentam dados de uma maneira que seja acessível e recuperável. Aqui está como:

As altas apostas na tomada de decisão autônoma

Conforme discutido, o que diferencia a IA Agentic de outros sistemas de IA é sua capacidade de agir de forma autônoma, não apenas se envolver em uma conversa linear. A complexidade dos agentes de tarefas concluídos normalmente exige que eles se referam a várias fontes externas dinâmicas. Como resultado, o risco de algo dar errado aumenta automaticamente. Por exemplo, você pode confiar em um chatbot para fornecer uma atualização sobre o status de uma reivindicação ou reembolso, mas você se sentiria tão confiante ao fornecer a um agente de IA os detalhes do seu cartão de crédito para reservar um voo para você?

Longe da IA ​​de conversação, os agentes baseados em tarefas planejam e mudam ações, dependendo do contexto que recebem. Eles delegam subtarefas às várias ferramentas disponíveis através de um processo frequentemente chamado de “encadeamento” (a saída de uma ação se torna a entrada para a próxima). Isso significa que as consultas (ou tarefas) podem ser divididas em tarefas menores, com cada uma exigindo acesso a dados em tempo real, processada iterativamente para imitar a solução de problemas humanos.

O efeito da cadeia (no qual as decisões são tomadas) é informado pelo ambiente que está sendo monitorado, ou seja, as fontes de dados. Como resultado, é necessária uma recuperação de dados explicáveis ​​e precisa em cada etapa da cadeia por dois motivos. Em primeiro lugar, os usuários precisam saber por que o agente da IA ​​chegou a uma decisão específica e tem visibilidade da fonte de dados em que foi baseada. Eles precisam ser capazes de confiar que a ação é, de fato, a mais eficaz e eficiente. Em segundo lugar, eles precisam ser capazes de otimizar o processo para obter o melhor resultado possível a cada vez – analisando cada estágio da saída e aprendendo com quaisquer resultados insatisfatórios.

Para confiar em um agente para concluir tarefas sofisticadas com base em várias etapas de recuperação, o valor dos dados necessários para apoiar significativamente o processo de tomada de decisão se multiplica significativamente.

A necessidade de disponibilizar dados corporativos confiáveis ​​para agentes é fundamental. É por isso que as empresas estão cada vez mais reconhecendo o poder da tecnologia de banco de dados de gráficos, para a ampla gama de estratégias de recuperação que elas oferecem, multiplicando o valor dos dados.

Da confusão à clareza: aproveitar o poder do gráfico com a IA Agentic

À medida que a IA Agentic direciona as decisões dos dados, os insights subjacentes a essas decisões devem ser precisos, transparentes e explicáveis ​​- benefícios que os bancos de dados gráficos são otimizados de forma única. Gartner Já identifica os gráficos de conhecimento como uma capacidade essencial para aplicativos Genai, como Graphrag (geração aumentada de recuperação), onde o caminho de recuperação inclui um gráfico de conhecimento, pode melhorar bastante a precisão das saídas.

A estrutura única dos gráficos de conhecimento, composta por ‘nós’ e ‘bordas’, é onde as respostas de alta qualidade podem ser derivadas. Os nós representam entidades existentes em um gráfico (como uma pessoa ou local), e as arestas representam o relacionamento entre essas entidades – ou seja, como elas se conectam. Nesse tipo de estrutura, quanto mais e mais complexos os dados, mais informações ocultas podem ser reveladas. Essas características são inestimáveis ​​para apresentar os dados de uma maneira que facilita para os agentes da IA ​​concluir as tarefas de uma maneira mais confiável e útil.

O que os usuários estão encontrando com o Graphrag é que não apenas as respostas são mais precisas, mas também são mais ricas, mais completas e, consequentemente, mais úteis. Por exemplo, um agente de IA que aborda as consultas de atendimento ao cliente pode oferecer um pacote com desconto específico na banda larga com base em um entendimento completo do cliente, como resultado do uso do Graphrag para conectar informações díspares sobre o referido cliente. Há quanto tempo o cliente está na empresa? Quais serviços eles estão usando atualmente? Eles já apresentaram queixas antes?

Para responder a essas perguntas, os nós podem ser criados para representar cada cliente e aspectos de sua experiência com a empresa (incluindo interações anteriores, uso de serviço e localização) e bordas para mostrar o serviço mais barato ou o melhor para eles. Uma visão fragmentada e dispersa sobre os dados pode levar o agente que oferece um pacote com desconto quando não era devido – levando a implicações de custo para os negócios. Como mencionado pelo CEO da Clear “A alimentação de um LLM, o mundo fracionado, fragmentado e disperso de dados corporativos resultará em um LLM muito confuso”. Mas o resultado é muito diferente quando os dados são conectados em um gráfico: resultados positivos foram relatados por pessoas como a equipe de atendimento ao cliente do LinkedIn, que reduziram a média por emissão por emissão tempo de resolução em 28,6 % desde a implementação do Graphrag.

Prepare seus dados para os tempos de Agentic

Os agentes de IA alimentados por LLMs estão melhorando rapidamente com todas as iterações, e as estruturas Agentic estão tornando cada vez mais acessível a construção de aplicações sofisticadas e de várias etapas. A próxima etapa crítica é tornar seus dados corporativos o mais ricos, conectados e com reconhecimento de contexto, para que sejam totalmente acessíveis e utilizáveis ​​por esses agentes avançados. Isso desbloqueia o valor total de seus dados, permitindo que os agentes que não são apenas mais precisos e eficientes, mas também mais explicáveis. É aqui que a integração da IA ​​agêntica com os gráficos de conhecimento se torna um verdadeiro divisor de águas. Os dados conectados fornecem aos agentes o contexto necessário para raciocinar de maneira mais inteligente, gerar saídas mais inteligentes e proporcionar maior impacto.

Crédito da imagem: Twopril Studio / Dreamstime.com

Jesús Barrasa é Ai Cield CTO, Neo4j.