В первой части мы разобрали, как RAG-системы позволяют LLM давать точные ответы на основе ваших данных. Теперь сделаем следующий шаг и посмотрим, как AI-агенты переходят от ответов к самостоятельному выполнению многошаговых задач и целых бизнес-процессов.
3. AI Агент
Если RAG отвечает на вопросы, то Агент уже выполняет задачи. Это система, способная самостоятельно планировать, рассуждать и выполнять многошаговые процессы, используя различные инструменты (API, базы данных).
• Пример: «AI Agent» от Simplifai, внедрённый в ERV Nordic для обработки заявок о задержке багажа. Получив документы от клиента, агент самостоятельно:
1) распознаёт и извлекает данные
2) через API проверяет, активен ли полис
3) сверяет условия (например, задержка более 6 часов)
4) анализирует чеки
5) принимает решение об одобрении и инициирует выплату.
• Преимущества: Это уже не просто автоматизация общения, а автоматизация целых процессов. Агент работает как цифровой сотрудник, освобождая людей для более сложных задач.
• Ограничения: Поскольку агент принимает решения самостоятельно, в случае ошибки бывает сложно отследить его логику и понять, почему был получен неверный результат. Стремление контролировать автономные действия и декомпозировать сложные задачи сначала породило такие подходы, как Schema-Guided Reasoning, а затем вывело нас на следующий этап.
4. Мультиагентные системы
Это не один агент, а целая команда специализированных AI-агентов, работающих вместе.
• Пример: Платформа Shift Technology, которая автоматизировала 57% из 400 000 страховых случаев. Когда поступает заявка на отмену поездки, в работу включается целый набор из AI агентов:
1. Агент-классификатор сортирует документы (билеты, справки)
2. Агент-экстрактор извлекает из них данные
3. Агент-аналитик проверяет на мошенничество
4. Агент-решатель сводит всё воедино и готовит вердикт.
• Преимущества: Поскольку каждый агент отточен под свою узкую задачу, это обеспечивает более высокую скорость и точность. А-ля «цифровой конвейер».
• Главный минус мультиагентных систем - их чрезвычайная сложность и как результат трудно контролиря и отладки множества автономных частей. Это ведет к высоким затратам на разработку и серьезным рискам безопасности, ведь сбой или взлом даже одного агента может вызвать отказ всей сети. В итоге ключевыми проблемами становятся риск каскадных сбоев и юридическая неопределенность в вопросе ответственности за ошибочные действия системы.
Cамое важное - это цифра 57% в последнем примере. Почти две трети запросов обрабатываются полностью автоматически за две минуты. Остальные 43% система направляет менеджеру, но уже с подготовленным досье и рекомендацией. Наиболее продвинутая архитектура формализует роль человека как эксперта и конечного контролера.
И все мы знаем, что в автоматизации первые 80% и последние 20% требуют несопоставимых усилий. 😉
🔥 - если бы полезно.
Код ценности.