LlamaIndex wykracza poza RAG i pomaga agentom w podejmowaniu złożonych decyzji

Popularne środowisko orkiestracji AI lamindex Agent Document Workflow (ADW) wprowadził nową architekturę, która według firmy wykracza poza procesy generowania wspomaganego wyszukiwaniem (RAG) i zwiększa produktywność agentów.

W miarę ciągłego udoskonalania struktur orkiestracji metoda ta może zapewnić organizacjom możliwość zwiększenia możliwości agentów w zakresie podejmowania decyzji.

LlamaIndex twierdzi, że ADW może pomóc agentom zarządzać „złożonymi przepływami pracy wykraczającymi poza proste wyodrębnianie lub dopasowywanie”.

Niektóre struktury agentów opierają się na systemach RAG, które dostarczają agentom informacji potrzebnych do wykonania zadań. Jednak ta metoda nie pozwala agentom na podejmowanie decyzji na podstawie tych informacji.

LlamaIndex podał kilka rzeczywistych przykładów dobrego działania ADW. Na przykład podczas przeglądu umów analitycy muszą wyodrębnić krytyczne informacje, powiązać wymogi regulacyjne, zidentyfikować potencjalne ryzyko i sformułować zalecenia. Wdrożeni w tym przepływie pracy agenci AI w idealnym przypadku postępowaliby według tego samego schematu i podejmowali decyzje na podstawie przeczytanych dokumentów oraz wiedzy zdobytej z innych dokumentów do przeglądu umowy.

„ADW stawia czoła tym wyzwaniom, traktując dokumenty jako część szerszych procesów biznesowych” – stwierdził Laminedex w oświadczeniu. wpis na blogu„System ADW może utrzymywać status na wielu etapach, stosować reguły biznesowe, koordynować różne komponenty i podejmować działania w oparciu o treść dokumentu – a nie tylko ją analizować”.

LlamaIndex stwierdził już wcześniej, że RAG, mimo że jest ważną technologią, pozostaje prymitywna, szczególnie w przypadku przedsiębiorstw poszukujących solidniejszych możliwości podejmowania decyzji przy użyciu sztucznej inteligencji.

Zrozumienie kontekstu podejmowania decyzji

LlamaIndex opracował architekturę referencyjną, łącząc możliwości analizowania LlamaCloud z agentami. „Buduje systemy, które potrafią zrozumieć kontekst, utrzymać stan i obsługiwać procesy wieloetapowe”.

Aby to zrobić, każdy przepływ pracy ma dokument, który pełni rolę koordynatora. Może instruować agentów, aby wyodrębnili informacje z danych, utrzymywali kontekst dokumentu i stan procesu, a następnie kliknęli LlamaParse, aby pobrać treść kontekstu z innej bazy wiedzy. Od tego momentu agenci mogą zacząć formułować rekomendacje dotyczące przypadku użycia przeglądu umowy lub innych możliwych do podjęcia decyzji dla różnych przypadków użycia.

„Utrzymując stan przez cały proces, agenci mogą obsługiwać złożone, wieloetapowe przepływy pracy, które wykraczają poza proste wyodrębnianie lub dopasowywanie” – stwierdziła firma. „Takie podejście pozwala im stworzyć głębszy kontekst dotyczący przetwarzanych dokumentów, jednocześnie koordynując działanie różnych komponentów systemu”.

różne struktury agentów

Orkiestracja agentów to nowa przestrzeń i wiele organizacji wciąż zastanawia się, jak sprawić, aby agent – ​​lub wielu agentów – pracował dla nich. Koordynowanie agentów i aplikacji AI może stać się w tym roku ważnym tematem, gdy agenci przejdą z pojedynczych systemów do ekosystemów obejmujących wiele agentów.

Agenci AI są rozwinięciem tego, co zapewnia RAG, czyli możliwości wyszukiwania informacji w oparciu o wiedzę przedsiębiorstwa.

Jednak w miarę jak coraz więcej przedsiębiorstw zaczyna wdrażać agentów AI, chcą, aby wykonywali także wiele zadań, które wykonują pracownicy. W przypadku bardziej złożonych przypadków użycia „waniliowy” RAG nie wystarczy. Jednym z zaawansowanych podejść rozważanych przez przedsiębiorstwa jest agentyczny RAG, który poszerza bazę wiedzy agentów. Zanim pojawią się wyniki, modele mogą zdecydować, czy potrzebują więcej informacji, jakich narzędzi użyć, aby je uzyskać i czy kontekst, który właśnie otrzymali, jest istotny.