O que são agentes de IA?

Um agente de inteligência artificial consiste em um programa de software capaz de interagir com o ambiente, coletar dados e usar esses dados para executar tarefas autodirecionadas que atendam a metas determinadas previamente. Os seres humanos definem metas, mas um agente de IA escolhe de forma independente as melhores ações que precisa realizar para alcançar essas metas. Por exemplo, considere um agente de IA destinado à central de atendimento que deseja resolver as dúvidas dos clientes. O agente fará perguntas diferentes ao cliente automaticamente, pesquisará informações em documentos internos e responderá com uma solução. Com base nas respostas do cliente, o agente determina se é capaz de resolver a dúvida por conta própria ou se deve encaminhá-la para um ser humano.

Vários agentes de IA podem colaborar para automatizar fluxos de trabalho complexos e também podem ser usados em sistemas de IA agêntica. Os agentes trocam dados uns com os outros, permitindo que todo o sistema atue de forma integrada para atingir metas comuns. Além disso, é possível especializar agentes de IA individuais para a execução de subtarefas específicas com precisão. Um agente orquestrador coordena as atividades de diversos agentes especializados para concluir tarefas maiores e mais complexas.

Saiba mais sobre o que é inteligência artificial

Todo software executa diversas tarefas rotineiras de forma autônoma, conforme especificado pelo desenvolvedor de software. Então, o que torna os agentes de IA especiais?

Autonomia

Os agentes de IA atuam de forma autônoma, sem a necessidade de intervenção humana constante. Enquanto o software tradicional segue instruções especificadas em códigos, os agentes de IA identificam a próxima ação apropriada com base em dados históricos e a executam sem supervisão humana contínua.

Por exemplo, um agente contábil sinaliza e solicita automaticamente os dados de faturas ausentes para aquisições.

Comportamento orientado a metas

Os agentes de IA são orientados por objetivos. As ações desses agentes visam maximizar o sucesso conforme definido por uma função de utilidade ou métrica de performance. Ao contrário de programas tradicionais que apenas executam tarefas, os agentes inteligentes buscam objetivos e avaliam as consequências de suas ações em relação a essas metas.

Por exemplo, um sistema logístico baseado em IA otimiza rotas de entrega para balancear velocidade, custo e consumo de combustível simultaneamente, equilibrando, com isso, diversos objetivos.

Percepção

Os agentes de IA interagem com o ambiente ao coletar dados por meio de sensores ou de entradas digitais. Eles podem coletar dados de ferramentas e sistemas externos usando APIs. Esses dados permitem que eles percebam o mundo ao seu redor, reconheçam alterações e atualizem o estado interno adequadamente.

Por exemplo, agentes de cibersegurança coletam dados de bancos de dados de terceiros para se manterem informados sobre os últimos incidentes de segurança.

Racionalidade

Os agentes de IA são entidades racionais que contam com funcionalidades de raciocínio. Eles combinam dados do ambiente com conhecimentos relacionados ao domínio e contextos passados para tomar decisões fundamentadas, atingindo performance e resultados otimizados.

Por exemplo, um agente robótico coleta dados de sensores, e um chatbot usa consultas de clientes como entrada. O agente de IA usa os dados para tomar uma decisão fundamentada. Ele analisa os dados coletados para prever os melhores resultados alinhados às metas definidas previamente. O agente também usa os resultados para formular a próxima ação que deve ser realizada. Por exemplo, veículos autônomos desviam de obstáculos na estrada com base em dados provenientes de diversos sensores.

Proatividade

Os agentes de IA podem agir por iniciativa própria baseando-se em previsões e modelos de estados futuros. Em vez de apenas reagir a entradas, eles antecipam eventos e se preparam adequadamente.

Por exemplo, um agente de atendimento ao cliente baseado em IA pode entrar em contato com um usuário cujo comportamento sugira frustração, oferecendo ajuda antes mesmo da abertura de um tíquete de suporte. Robôs de autônomos que trabalham em armazéns, por sua vez, podem se reposicionar em antecipação às próximas operações de grande fluxo.

Aprendizado contínuo

Os agentes de IA aprimoram-se ao longo do tempo ao aprender com interações anteriores. Eles identificam padrões, comentários e resultados para aprimorar o próprio comportamento e o processo de tomada de decisão. Isso os diferencia de programas estáticos que sempre se comportam da mesma maneira, sem considerar novas entradas.

Por exemplo, os agentes de manutenção preditiva aprendem com falhas passadas de equipamentos para prever melhor problemas futuros.

Adaptabilidade

Os agentes de IA adaptam suas estratégias conforme surgem novas circunstâncias. Essa flexibilidade permite que eles lidem com incertezas, situações inéditas e informações incompletas.

Por exemplo, um bot de negociação de ações ajusta sua própria estratégia durante uma queda do mercado, enquanto um agente de jogos como o AlphaZero descobre novas táticas por meio de autoaprendizado, mesmo sem estratégias humanas prévias.

Colaboração

Os agentes de IA podem trabalhar com outros agentes ou com agentes humanos para alcançar metas comuns. Eles são capazes de comunicação, coordenação e cooperação para executarem tarefas em conjunto. O comportamento colaborativo desses agentes frequentemente envolve negociar, compartilhar informações, alocar tarefas e adaptar-se às ações das outras pessoas.

Por exemplo, os sistemas multiagentes na área da saúde podem ter agentes especializados em tarefas específicas como diagnóstico, cuidados preventivos, cronograma de medicação e outras atividades, visando uma automação holística do cuidado ao paciente.

Os agentes de IA podem aprimorar as operações comerciais e as experiências dos seus clientes.

Produtividade aprimorada

As equipes de negócios se tornam mais produtivas ao delegarem tarefas repetitivas para os agentes de IA. Desse modo, elas conseguem direcionar a atenção para atividades criativas ou essenciais, agregando maior valor à organização.

Custos reduzidos

As empresas podem usar agentes inteligentes para minimizar despesas desnecessárias decorrentes de processos ineficientes, erros humanos e processos manuais. Elas podem lidar com tarefas complexas com segurança, pois os agentes autônomos seguem um modelo consistente que se adapta a ambientes dinâmicos. A automação de processos de negócios por meio da tecnologia de agentes pode resultar em uma economia de custos significativa.

Tomada de decisões embasada

Os agentes inteligentes avançados contam com funcionalidades preditivas e podem coletar e processar volumes massivos de dados em tempo real. Isso possibilita que gerentes de negócios façam previsões mais bem embasadas com agilidade ao traçar a estratégia para o próximo passo. Por exemplo, é possível usar agentes de IA para analisar demandas de produtos em diferentes segmentos de mercado durante a execução de uma campanha publicitária.

Experiência do cliente melhorada

Os clientes buscam experiências envolventes e personalizadas ao interagir com as empresas. A integração de agentes de IA permite que as empresas personalizem recomendações de produtos, forneçam respostas rápidas e inovem para aumentar o engajamento, a conversão e a fidelidade do cliente. Os agentes de IA podem fornecer respostas detalhadas a perguntas complexas dos clientes e resolver desafios com mais eficiência.

A arquitetura de um agente de IA é composta pelos componentes principais apresentados a seguir.

Modelo de base

Na base de qualquer agente de IA está um modelo de base ou um grande modelo de linguagem (LLM), como o GPT ou o Claude. Isso capacita o agente a interpretar entradas em linguagem natural, gerar respostas semelhantes às que seriam fornecidas por seres humanos e realizar o raciocínio sobre instruções complexas. O LLM atua como o mecanismo de raciocínio do agente, processando prompts e transformando-os em ações, decisões ou consultas a outros componentes, por exemplo, memória ou ferramentas. Por padrão, o modelo de linguagem retém certo nível de memória entre sessões e pode ser integrado a sistemas externos para simular continuidade e consciência de contexto.

Módulo de planejamento

O módulo de planejamento possibilita que o agente decomponha metas em etapas menores e gerenciáveis, e as organize logicamente em sequência. Este módulo emprega raciocínio simbólico, árvores de decisão ou estratégias algorítmicas para determinar a abordagem mais eficaz para atingir o resultado esperado. Isso pode ser implementado por meio de uma decomposição de tarefas baseada em prompts ou abordagens mais formalizadas, tais como Redes Hierárquicas de Tarefas (HTNs, na sigla em inglês) ou algoritmos clássicos de planejamento. O planejamento permite ao agente atuar em horizontes temporais mais amplos, considerando dependências e contingências entre as tarefas.

Módulo de memória

O módulo de memória permite ao agente reter informações ao longo de interações, sessões ou tarefas. Isso abrange tanto a memória de curto prazo, como o histórico de bate-papo ou as entradas recentes de sensores, quanto a memória de longo prazo, incluindo os dados do cliente, as ações prévias ou o conhecimento acumulado. A memória melhora a personalização, a coerência e a consciência de contexto do agente. Ao criar agentes de IA, os desenvolvedores usam bancos de dados de vetores ou grafos de conhecimento para o armazenamento e a recuperação de conteúdos semanticamente relevantes.

Integração de ferramentas

Os agentes de IA frequentemente ampliam suas funcionalidades ao se conectarem a softwares externos, APIs ou dispositivos. Isso permite a eles atuar além da linguagem natural, realizando tarefas reais, como a recuperação de dados, o envio de e-mails, a execução de códigos, a consulta a bancos de dados ou o controle de hardware. O agente identifica quando uma tarefa requer uma ferramenta e delega a operação conforme necessário. O uso de ferramentas é normalmente orientado pelo LLM por meio de módulos de planejamento e de análise que formatam a chamada da ferramenta e interpretam o resultado.

Aprendizado e reflexão

A reflexão pode acontecer de diversas formas:

• O agente avalia a qualidade do seu próprio resultado (por exemplo, o problema foi resolvido corretamente?).
• Existem usuários humanos ou sistemas automatizados que fornecem correções.
• O agente seleciona exemplos de incerteza ou informativos para aprimorar o seu aprendizado.

O aprendizado por reforço (RL) é um paradigma de aprendizado fundamental. O agente interage com um ambiente, recebe avaliações na forma de recompensas ou de penalidades, e aprende uma política que mapeia estados em ações visando obter o máximo de recompensa acumulada. O RL é particularmente valioso em cenários nos quais dados de treinamento explícitos são raros, como os setores de robótica, jogos ou negociações financeiras. O agente equilibra a exploração, que consiste em tentar novas ações, e a explotação, que é o uso das melhores ações conhecidas, para aprimorar sua estratégia ao longo do tempo.

Os agentes de IA trabalham ao simplificar e automatizar tarefas complexas. A maioria dos agentes autônomos segue um fluxo de trabalho específico ao realizar as tarefas atribuídas.

Definição de metas

O agente de IA recebe uma instrução ou meta específica do usuário. Ele usa a meta para planejar tarefas que tornem o resultado final relevante e útil para o usuário. Em seguida, o agente decompõe a meta em diversas tarefas menores e executáveis. Para atingir a meta, o agente realiza as tarefas com base em ordens ou condições específicas.

Aquisição de informações

Os agentes de IA requerem informações para executar tarefas que planejaram com êxito. Por exemplo, o agente deve extrair logs de conversa para analisar os sentimentos dos clientes. Dessa forma, os agentes de IA podem acessar a internet para pesquisar e obter as informações de que necessitam. Em algumas aplicações, um agente inteligente pode interagir com outros agentes ou modelos de machine learning para acessar ou trocar informações.

Implementação de tarefas

Com dados suficientes, o agente de IA implementa metodicamente a tarefa atual. Assim que conclui uma tarefa, o agente a retira da lista e prossegue para a próxima. Entre as conclusões de tarefas, o agente avalia se atingiu a meta designada com base na obtenção de comentários externos e na inspeção dos próprios logs. Durante este processo, o agente pode criar e atuar em tarefas adicionais para alcançar o resultado final. 

As organizações desenvolvem e implantam agentes de IA em uma variedade de tipos e tarefas. Apresentamos alguns exemplos a seguir.

Agentes de reflexo simples

Um agente de reflexo simples opera estritamente de acordo com regras definidas previamente e dados imediatos. Ele não responderá a situações que extrapolem uma regra definida de evento, condição e ação. Por isso, esses agentes são indicados para tarefas simples que não requerem treinamento aprofundado. Por exemplo, é possível usar um agente de reflexo simples para realizar a redefinição de senhas, detectando palavras-chave específicas na conversa de um usuário.

Agentes de reflexo baseados em modelos

Um agente baseado em modelos é semelhante a um agente de reflexo simples, com a diferença de que apresenta um mecanismo de tomada de decisão mais avançado. Em vez de apenas seguir uma regra específica, um agente baseado em modelos avalia os resultados e as consequências prováveis antes de tomar uma decisão. Por meio de dados de apoio, ele desenvolve um modelo interno do mundo que percebe e faz uso dele para fundamentar suas decisões.

Agentes baseado em metas

Os agentes baseados em metas, também conhecidos como agentes orientados a regras, são agentes de IA que contam com funcionalidades de raciocínio mais avançadas. Além da avaliação dos dados do ambiente, o agente faz uma comparação entre diferentes abordagens para auxiliar no alcance do resultado desejado. Agentes baseados em metas sempre escolhem o caminho mais eficiente. Esses agentes são adequados para a execução de tarefas complexas, como processamento de linguagem natural (PLN) e aplicações em robótica.

Agentes baseados em utilidade

Um agente baseado em utilidade emprega um algoritmo de raciocínio complexo para auxiliar os usuários a maximizar o resultado desejado. O agente compara diferentes cenários e seus respectivos valores de utilidade ou benefícios. Em seguida, ele seleciona o cenário que oferece aos usuários o máximo de recompensas. Por exemplo, os clientes podem usar um agente baseado em utilidade para pesquisar passagens aéreas com o menor tempo de viagem, independentemente do preço.

Agentes de aprendizado

Um agente de aprendizado aprende continuamente com as experiências passadas para aprimorar o próprio desempenho. Ao usar a entrada sensorial e os mecanismos de comentários, o agente adapta o elemento de aprendizado ao longo do tempo para atender a padrões específicos. Além disso, ele utiliza um gerador de problemas para formular novas tarefas que o treinam usando dados coletados e resultados anteriores.

Agentes hierárquicos

Os agentes hierárquicos são um grupo organizado de agentes inteligentes dispostos em níveis. Os agentes de níveis superiores decompõem tarefas complexas em tarefas menores e as atribuem a agentes de níveis inferiores. Cada agente opera de forma independente e envia um relatório de progresso ao seu agente supervisor. O agente de nível superior coleta os resultados e coordena os agentes subordinados para assegurar que, coletivamente, eles atinjam as metas.

Sistemas multiagentes

Um sistema multiagente (MAS, na sigla em inglês) é composto por diversos agentes que interagem entre si para resolver problemas ou alcançar metas compartilhadas. Esses agentes podem ser homogêneos, com design similar, ou heterogêneos, com estrutura ou função diferentes, e podem colaborar, coordenar uns aos outros ou até mesmo competir, dependendo do contexto. O MAS é particularmente eficaz em ambientes complexos e distribuídos, nos quais o controle centralizado não é viável.

Por exemplo, em frotas de veículos autônomos, cada veículo atua como um agente independente, mas colabora com outros para evitar o congestionamento e prevenir colisões, resultando em um fluxo de trânsito mais fluido.

Os agentes de IA são tecnologias de software úteis que automatizam fluxos de trabalho de negócios para obter resultados melhores. Dito isso, as organizações devem abordar as preocupações apresentadas a seguir ao implementar agentes de IA autônomos para casos de uso empresariais.

Preocupações com a privacidade de dados

O desenvolvimento e a operação de agentes de IA avançados requerem a aquisição, o armazenamento e a movimentação de volumes massivos de dados. As organizações devem estar cientes dos requisitos de privacidade de dados e adotar as medidas necessárias para aprimorar a postura de segurança de dados.

Desafios éticos

Em determinadas circunstâncias, os modelos de IA podem gerar resultados que são enviesados ou imprecisos. A aplicação de salvaguardas, como revisões realizadas por humanos, ajuda a assegurar que os clientes recebam respostas úteis e imparciais dos agentes implementados.

Complexidades técnicas

A implementação de agentes de IA avançados exige experiência e conhecimento especializados em tecnologias de machine learning. Os desenvolvedores devem estar aptos a integrar bibliotecas de machine learning a aplicações de software e treinar o agente com dados específicos da organização.

Recursos de computação limitados

O treinamento e a implantação de agentes de IA de aprendizado profundo exigem recursos computacionais significativos. Quando as organizações implementam esses agentes on-premises, elas precisam investir e manter infraestruturas dispendiosas que não são facilmente escaláveis.

O Amazon Bedrock é um serviço totalmente gerenciado que proporciona acesso facilitado a modelos de IA generativa líderes do setor, como Claude, Llama 2 e Amazon Titan, além de disponibilizar um amplo conjunto de funcionalidades necessárias para o desenvolvimento de aplicações de IA generativa.

Os Agentes para Amazon Bedrock usam o raciocínio de FMs, APIs e dados para detalhar solicitações dos usuários, coletar informações relevantes e concluir tarefas com eficiência. O desenvolvimento de um agente é simples e rápido, com a configuração realizada em apenas algumas etapas. O Amazon Bedrock oferece suporte a:

• Retenção de memória para uma continuidade de tarefas fluida.
• Colaboração multiagente para criar diversos agentes especializados sob a coordenação de um agente supervisor.
• Uso de Barreiras de Proteção para Amazon Bedrock para obter segurança e confiabilidade integradas.

A AWS lançou um kit de ferramentas de código aberto com um catálogo crescente de agentes básicos desenvolvidos sob medida para casos de uso nos setores de saúde e de ciências biológicas.

O AWS Transform é o primeiro serviço de IA agêntica destinado à transformação de workloads .NET, mainframe e VMware. Com base em 19 anos de experiência em migração, o serviço implanta agentes de IA especializados para automatizar tarefas complexas como diagnósticos, análise de código, refatoração, decomposição, mapeamento de dependências, validação e planejamento de transformação. Ele auxilia organizações a modernizarem centenas de aplicações de forma simultânea, mantendo a qualidade e o controle.

O Amazon Q Business é um assistente com tecnologia de IA generativa desenvolvido para auxiliar você a localizar informações, obter insights e tomar atitudes no trabalho. Ele fornece a capacidade de criação de agentes de IA para todos os colaboradores. Qualquer pessoa pode usá-lo para criar aplicações leves de IA agêntica que interagem com softwares corporativos comuns e automatizam tarefas repetitivas.

Comece a usar os agentes de IA na AWS ao criar uma conta gratuita hoje mesmo.