Managing Director & Partner
Stockholm
Autonomous Agents: Combining the Best of Humans and Machines
Casper van Langen
Cientista de dados de chumbo
Londres
Nigel markey
= Diretor e parceiro || em si. Com os grandes modelos de linguagem (LLMs) demonstrando cada vez mais o raciocínio, o planejamento independente e os recursos de uso de ferramentas (por exemplo, OpenAI GPT-4, Gemini Ultra), eles aceleraram a evolução da IA-e levaram inexoravelmente ao surgimento de agentes autônomos. Esses sistemas dinâmicos redefinirão a maneira como as empresas operam e, pensamos, o fazem muito rapidamente. A automação tradicional de processos robóticos, por exemplo, requer essa entrada na forma de cenários codificados ou regras explícitas. Os agentes autônomos representam a próxima etapa da evolução desses aplicativos, sendo adaptáveis e usando o raciocínio, em vez de confiar em regras codificadas. Acreditamos que os agentes afetarão significativamente as empresas individuais e todo o domínio digital. E para apoiar esta mais recente revolução da IA e contribuir para o seu rápido avanço, o BCG X foi lançado
London
The rapid adoption of AI has transformed not just the way companies do business, but the process of innovation itself. With large language models (LLMs) increasingly demonstrating reasoning, independent planning, and tool usage capabilities (e.g., OpenAI GPT-4, Gemini Ultra), they've accelerated the evolution of AI—and led inexorably to the rise of autonomous agents. These dynamic systems will redefine the way companies operate and, we think, do it very quickly.
Most of the current large language model-based applications, as noted in an earlier publication, require significant human input and do not operate independently. Traditional robotic process automation, for example, requires such input in the form of hard-coded scenarios or explicit rules. Autonomous agents represent the next step in the evolution of these applications, by being adaptable and using reasoning, rather than relying on hard-coded rules. We believe that agents will significantly impact both individual companies and the entire digital domain. And to support this latest AI revolution and contribute to its rapid advancement, BCG X has released Agentkit, uma estrutura de código de pilha completa e de código aberto projetado para permitir que os desenvolvedores criem uma repetição rápida e útil do agente. Agentes autônomos não deixam de ter seus desafios. Muitas empresas criaram demos interessantes e prova de conceitos, mas lutaram para criar aplicativos de agentes confiáveis que podem ser implantados na produção. Embora seja adaptável e flexível, os agentes autônomos às vezes podem atingir conclusões inesperadas, indesejadas ou inseguras, ou seguir caminhos caros com pouco valor comercial potencial. Sem orientação adequada, um agente encarregado da pesquisa de mercado pode, por exemplo, fixar -se em um ponto de dados obscuro, investindo recursos computacionais significativos para explorar uma tendência que não tem relevância para as metas de negócios estratégicas. Com o conjunto de cursos, os agentes recebem muita liberdade e latitude para tomar decisões ao longo do caminho para atingir sua meta comercial declarada. Essa abordagem aprimora significativamente a confiabilidade e a previsibilidade do agente e garante que as ações do agente estejam alinhadas intimamente ao cenário de negócios para oferecer com eficiência o valor máximo. Os seres humanos fornecem cursos em potencial: o agente se adapta continuamente para encontrar o caminho ideal. Todo plano de ação é essencialmente uma árvore predefinida de tarefas e decisões que os agentes podem navegar para chegar à saída desejada. A estrutura também inclui um "agente do roteador", que analisa o prompt e o histórico de bate -papo do usuário para determinar o plano de ação mais adequado para executar. O agente normalmente acessa essas ferramentas digitais através de uma interface de programação de aplicativos (API) que permite que o agente se conecte a um ecossistema de aplicativos e bancos de dados para obter informações, pode ser necessário concluir a tarefa em questão. O agente do roteador AgentKit identifica que o plano de ação "cenário de previsão" é mais adequado e o executa. Em seguida, ele define o cenário do prompt em uma configuração para o pipeline de previsão de demanda, o que é feito usando uma ferramenta com acesso ao manual do pipeline e formatos de entrada necessários. O agente executa o pipeline com essa configuração usando outra ferramenta que chama uma API para o sistema de precaução da demanda. Finalmente, o sistema de previsão retorna os dados de demanda para "no próximo ano". O agente interpreta os dados, neste caso, executando três ferramentas em paralelo para gerar um resumo de texto curto, um gráfico e uma tabela com dados brutos aos quais o agente pode se referir à medida que refina iterativamente seu produto de trabalho.
Humans play a pivotal role
While agents have significant potential, the journey towards fully autonomous agents is not without its challenges. Many companies have built interesting demos and proof of concepts but have struggled to build reliable agent applications that can be deployed into production. While being adaptable and flexible, autonomous agents can sometimes reach unexpected, undesired, or unsafe conclusions, or pursue costly paths with little potential business value. Without proper guidance, an agent tasked with market research might, for instance, fixate on an obscure data point, investing significant computational resources to explore a trend that lacks relevance to strategic business goals.
A key insight we gained while designing the AgentKit framework was that by tapping into the knowledge of human experts, we can define the most relevant and productive routes for the agent to follow. With their course set, the agents are then given a great deal of freedom and latitude to make decisions along the way to achieving their stated business goal.
By creating a role for humans at the beginning of the process, the constrained agent framework design enables the application to operate within the scope of its intended purpose. This approach significantly enhances the agent’s reliability and predictability and ensures that the agent’s actions are closely aligned to the business scenario to efficiently deliver maximum value. Humans provide potential courses: The agent continually adapts to find the optimal path.
How it works
The AgentKit framework delivers the necessary guidance in the form of “Action Plans,” predefined sets of routes agents can follow to answer the initial business query. Every Action Plan is essentially a predefined tree of tasks and decisions the agents can navigate to get to the desired output. The framework also includes a “Router Agent,” which analyzes the user’s prompt and chat history to determine the most suitable Action Plan to execute.
Once the Router Agent selects an Action Plan, the agent executes a predefined tree of digital tools and executes them in sequence or in parallel. The agent typically accesses these digital tools through an application programming interface (API) that allows the agent to connect to an ecosystem of applications and databases for information it may need to complete the task at hand.
Imagine that an autonomous agent is asked to "please forecast demand for next year given a 10% price increase." The AgentKit Router Agent identifies that the “forecasting scenario” Action Plan is most suitable and executes it. Next, it defines the scenario from the prompt into a configuration for the demand forecast pipeline, which is done using a tool with access to the pipeline’s manual and required input formats. The agent executes the pipeline with this configuration using another tool that calls an API to the demand-forecasting system. Finally, the forecasting system returns the demand data for "next year." The agent interprets the data, in this case by executing three tools in parallel to generate a short text summary, a graph, and a table with raw data the agent can refer to as it iteratively refines its work product.
Planos de ação, visualizados
Isso é apenas o início
The transition to autonomous agents is moving quickly as companies begin to understand just how powerful—and how transformative this technology is becoming. Antes da introdução de agentes autônomos e, apesar do poder significativo dos LLMs atuais, a criação de uma previsão de demanda semelhante à que descreveu acima teria normalmente a participação por inúmeros especialistas humanos e tempo significativo para executar. Estruturas como o AgentKit, projetadas para implementar com segurança agentes autônomos, permitem que essas previsões sejam concluídas rapidamente e com o mínimo de entrada humana.
, mas há uma grande variedade de maneiras pelas quais a estrutura pode melhorar as operações comerciais. Por exemplo, já usamos o AgentKit para:
- Gerar rascunhos de documentos clínicos complexos, como protocolos de ensaios clínicos para uma empresa farmacêutica global
- Crie uma interface de bate-papo para controlar e orquestrar os principais sistemas de otimização da cadeia de suprimentos e um dos principais sistemas de otimista da cadeia de suprimentos e a Mainting para um maior para um dos principais players de um dos principais clientes do Create A Create a Maior para um Maior para um Maior para um Most. varejista
- Create a customer-facing chatbot for a major automotive player and a competitor-pricing analysis for a major retailer
e este é apenas o começo. Prevemos que os casos de uso para aplicativos de agentes expandirão exponencialmente - e de maneiras que ainda precisamos imaginar. O AgentKit suportará esse crescimento, permitindo que as empresas implementem essas aplicações rapidamente, testem e rastreem novas abordagens, conectem o agente a ferramentas internas e externas e integrem perfeitamente a tecnologia em uma ampla gama de arquiteturas técnicas entre as indústrias. Aplicações do agente. E para ajudar a garantir que os agentes autônomos recebam uma recepção positiva daqueles que já estão nervosos com a inteligência artificial, as empresas serão bem servidas para ajudar a definir como as políticas de IA responsáveis se aplicarão a essa tecnologia emergente e o que os corrimões de guarda serão necessários para garantir que o seu uso seguro. Artigo. Link
Businesses that want to seize this opportunity in the near term can begin by determining where in their organization autonomous agents could have a medium-term impact, and then start creating the necessary technical "muscle" by experimenting with agent applications. And to help ensure that autonomous agents will receive a positive reception from those already nervous about artificial intelligence, companies will be well-served to help define how responsible AI policies will apply to this emerging technology and what the guardrails will be needed to ensure its safe use.
Thank you to Jakob Heyder, Senior AI Engineer, and Ilyass el Mansouri, Senior Data Scientist, for their contributions to this article.
Learn More About AgentKit
