Generatieve AI-aangedreven assistenten transformeren bedrijven via intelligente gespreksinterfaces. Deze assistenten zijn in staat mensachtige reacties en inhoud te begrijpen en te genereren en zorgen voor een revolutie in de manier waarop mensen en machines samenwerken. Grote Taalmodellen (LLM’s) vormen de kern van deze nieuwe disruptie. LLM's zijn getraind in enorme hoeveelheden gegevens en kunnen in eindeloze toepassingen worden gebruikt. Ze kunnen eenvoudig worden afgestemd op specifieke zakelijke gebruiksscenario's met een paar trainingsvoorbeelden.

We zijn getuige van een nieuwe fase van evolutie nu AI-assistenten verder gaan dan gesprekken en leren hoe ze tools kunnen inzetten via agenten die Application Programming Interfaces (API's) kunnen aanroepen om specifieke bedrijfsdoelen te bereiken. Taken die voorheen uren in beslag namen, kunnen nu in enkele minuten worden voltooid door een grote catalogus van herbruikbare agenten te orkestreren. Bovendien kunnen deze agenten samen worden samengesteld om complexe workflows te automatiseren.

AI-assistenten kunnen API-gebaseerde agenten gebruiken om kenniswerkers te helpen met alledaagse taken zoals het maken van functiebeschrijvingen, het ophalen van rapporten in HR-systemen, het vinden van kandidaten en meer. Een HR-manager kan bijvoorbeeld een AI-assistent vragen om een ​​functiebeschrijving voor een nieuwe rol te maken, en de assistent kan een gedetailleerde functiebeschrijving genereren die voldoet aan de eisen van het bedrijf. Op dezelfde manier kan een recruiter een AI-assistent vragen om kandidaten te vinden voor een vacature, en de assistent kan een lijst met gekwalificeerde kandidaten uit verschillende bronnen verstrekken. Met AI-assistenten kunnen kenniswerkers tijd besparen en zich concentreren op complexere en creatievere problemen.

Automatiseringsbouwers kunnen dat ook benut de kracht van AI-assistenten om snel en eenvoudig automatiseringen te creëren. Hoewel het misschien als een raadsel klinkt, gebruiken AI-assistenten generatieve AI om het automatiseringsproces te automatiseren. Dit maakt bouwagenten eenvoudiger en sneller. Er zijn twee essentiële stappen bij het bouwen van agenten voor bedrijfsautomatisering: het trainen en verrijken van agenten voor beoogde gebruiksscenario's en het orkestreren van een catalogus van meerdere agenten.

Op API gebaseerde agenten trainen en verrijken voor beoogde gebruiksscenario's

API's vormen de ruggengraat van AI-agenten. Het bouwen van API-gebaseerde agenten is een complexe taak waarbij interactie met een gebruiker op een conversatiewijze plaatsvindt, het identificeren van de API's die nodig zijn om een ​​gebruikersdoel te bereiken, het stellen van vragen om de vereiste argumenten voor de API te verzamelen, het detecteren van de informatie die door de gebruiker wordt verstrekt. dat is nodig bij het aanroepen van de API, het verrijken van de API's met voorbeelduitingen en het genereren van antwoorden op basis van API-retourwaarden. Dit proces kan voor een ervaren ontwikkelaar uren duren. LLM's kunnen deze stappen echter automatiseren. Hierdoor kunnen bouwers API’s sneller trainen en verrijken voor specifieke taken.

Stel dat Bob, een automatiseringsbouwer, API-gebaseerde agenten wil creëren om bedrijfsverkopers te helpen een lijst met doelklanten op te halen. De eerste stap is het importeren van de API “Mijn klanten ophalen” in de AI-assistent. Om deze automatisering echter als agent beschikbaar te maken, moet Bob verschillende handmatige en vervelende stappen ondernemen, waaronder het trainen van de natuurlijke-taalclassificator met voorbeelduitingen. Met behulp van LLM's kunnen AI-assistenten automatisch voorbeeldtrainingsuitingen genereren op basis van OpenAPI-specificaties. Deze mogelijkheid kan de vereiste handmatige inspanning aanzienlijk verminderen. Zodra het basismodel is afgestemd op semantisch begrip, kan het de aanwijzingen en intenties van zakelijke gebruikers beter begrijpen. Bob kan de gegenereerde vragen nog steeds bekijken en manipuleren met behulp van een ‘human-in-the-loop’-benadering.

Binnenkort zal het proces van het bouwen van agents volledig geautomatiseerd worden door het identificeren van API’s, het opvullen van slots en het verrijken van API’s. Dit zal de tijd die nodig is om automatisering te creëren, verminderen, technische barrières verminderen en herbruikbare agentcatalogi verbeteren.

Meerdere agenten orkestreren om complexe workflows te automatiseren

Gebouwautomatiseringsstromen die meerdere API's gebruiken, kunnen technisch complex en tijdrovend zijn. Om meerdere API's met elkaar te verbinden, is het belangrijk om de juiste set API's te identificeren, te sequentiëren en aan te roepen om een ​​specifiek bedrijfsdoel te bereiken. AI-assistenten gebruiken LLM's en planningstechnieken om dit proces te vereenvoudigen en technische barrières te verminderen. LLM's kunnen werken als een krachtig aanbevelingssysteem, waarbij de meest geschikte API's worden voorgesteld op basis van gebruik, overeenkomsten en beschrijvingen.

Bouwers moeten de invoer en uitvoer van meerdere API's op één lijn brengen om automatiseringen met meerdere agenten samen te stellen, wat een vervelend en foutgevoelig proces is. LLM-gestuurde API-mapping automatiseert dit uitlijningsproces op basis van API-attributen en documentatie. Dit maakt het voor automatiseringsbouwers eenvoudiger om bestaande API’s uit grote catalogi te hergebruiken zonder handmatige tussenkomst.

Stel nu dat onze automatiseringsbouwer, Bob, een complexere multi-API-automatisering wil creëren waarmee verkopers een lijst met klanten kunnen ophalen en vervolgens een lijst met gepersonaliseerde productaanbevelingen kunnen genereren. Na het importeren en verrijken van de “Retrieve My Customers” API-agent, kan de LLM-geïnfundeerde sequencing-functie automatisch de “Generate Product Recommendations” API aanbevelen. Dit betekent dat Bob niet elke API afzonderlijk hoeft te doorzoeken om de meest geschikte uit de uitgebreide catalogus met agenten te vinden.

Bovendien bevat elke API velden met verschillende gegevenstypen. De bron-API biedt uitvoervelden die informatie over een reeks klanten vertegenwoordigen. De doel-API presenteert invoervelden die ook klantinformatie vertegenwoordigen. Normaal gesproken zou Bob tijd moeten besteden aan het handmatig in kaart brengen elk veld in de doel-API's naar een corresponderend veld in de bron-API. Deze vervelende inspanning zou worden verergerd naarmate het aantal bron-API's en doelvelden toeneemt. De API-kaartservice kan een reeks uitlijningssuggesties genereren die Bob snel kan bekijken, bewerken en opslaan.

IBM® watsonx Orchestrate™ gebruikt een combinatie van AI-modellen (inclusief LLM's) om het proces van het bouwen van AI-agenten te vereenvoudigen door middel van API-verrijking, sequencing en mapping-aanbevelingen. In de nieuwe fase van de evolutie zullen AI-assistenten in staat zijn om meerdere API’s tijdens runtime te sequencen om bedrijfsdoelen te bereiken die zijn gedefinieerd door niet-technische kenniswerkers, wat de automatisering verder democratiseert. Door gebruik te maken van AI-assistenten kunnen bedrijven hun automatiseringsinitiatieven versnellen en aanzienlijke middelen inzetten voor gebieden die meer waarde genereren.

Leer hoe u waardevolle tijd kunt automatiseren en terugwinnen met generatieve AI-aangedreven assistenten