What are AI Agents?
O Futuro dos Agentes de IA em 2024
A Transição para Sistemas de IA Compostos
- Em 2024, espera-se que os agentes de IA se tornem predominantes. Para entender isso, é necessário observar a mudança de modelos monolíticos para sistemas de IA compostos.
- Modelos isolados são limitados pelos dados com os quais foram treinados, o que afeta seu conhecimento sobre o mundo e as tarefas que podem resolver. Eles também são difíceis de adaptar.
- Um exemplo prático: ao planejar uma viagem, um modelo pode não saber quantos dias de férias você tem disponíveis, pois não possui acesso a informações pessoais sensíveis.
- A verdadeira eficácia surge quando se constrói sistemas em torno do modelo, integrando-o aos processos existentes e permitindo acesso a bancos de dados relevantes.
- Um sistema composto permite que um modelo busque informações específicas em um banco de dados e forneça respostas corretas baseadas nessas informações.
Componentes dos Sistemas Compostos
- Sistemas compostos reconhecem que certos problemas são melhor resolvidos aplicando princípios de design sistêmico. Isso envolve múltiplos componentes modulares.
- É mais fácil resolver problemas por meio da combinação adequada de componentes do que apenas ajustando um único modelo. Isso torna o processo mais rápido e adaptável.
- Exemplos populares incluem sistemas conhecidos como "retrieval augmented generation" (RAG), onde a lógica do controle é fundamental para direcionar as consultas corretamente.
A Lógica do Controle nos Agentes
- A lógica do controle refere-se ao caminho que um programa deve seguir para responder a uma consulta; se mal direcionada, pode resultar em falhas nas respostas.
- Os sistemas compostos geralmente têm uma lógica programática definida pelo humano. No entanto, outra abordagem é usar modelos linguísticos grandes (LLMs) para controlar essa lógica.
Abordagem Agente com Modelos Linguísticos Grandes
- Com melhorias significativas nas capacidades dos LLMs, eles podem ser encarregados da lógica dentro dos sistemas compostos, permitindo raciocínio complexo sobre problemas apresentados.
- Essa abordagem agente permite pensar lentamente: criar planos detalhados e ajustar conforme necessário ao invés de fornecer respostas rápidas sem reflexão adequada.
Capacidades dos Agentes LLM
- As principais capacidades dos agentes incluem raciocínio e ação. O modelo deve ser capaz de elaborar planos e raciocinar sobre cada etapa do processo.
- Os agentes também utilizam ferramentas externas (programas), definindo quando e como chamá-las para executar soluções eficazes às perguntas feitas.
Acesso a Programas Externos e Memória em Modelos de IA
Capacidade de Acesso a Programas Externos
- Os modelos têm a capacidade de acessar programas externos, o que amplia suas funcionalidades e interações.
- Um método popular para configurar agentes é chamado ReACT, que combina raciocínio e ação nos agentes LLM.
Funcionamento do Agente ReACT
- O agente recebe uma consulta do usuário e é instruído a não fornecer a primeira resposta que vem à mente, mas sim pensar lentamente e planejar sua resposta.
- O exemplo prático envolve planejamento de férias, onde o sistema deve considerar várias variáveis como dias de férias, horas ao sol e dosagem recomendada de protetor solar.
Complexidade na Resolução de Problemas
- Resolver problemas complexos requer múltiplas etapas: recuperar informações da memória, consultar previsões meteorológicas e entender recomendações de saúde pública.
- A modularidade do sistema permite explorar diferentes caminhos para resolver um problema, tornando-o mais flexível.
Sistemas de IA Compostos
- Sistemas de IA compostos estão se tornando comuns; espera-se que eles evoluam para tecnologias mais autônomas.
- Para problemas bem definidos e estreitos, uma abordagem programática pode ser mais eficiente do que uma abordagem genérica.
Eficiência em Problemas Estreitos vs. Complexos