Segui ZDNET: Aggiungici come fonte preferita su Google.
I principali punti salienti di ZDNET
- Le distribuzioni degli agenti differiscono dai lanci di software program tradizionali.
- La governance non può essere un ripensamento con gli agenti.
- Ora entra in scena “AgentOps”.
L’entusiasmo per gli agenti IA può sembrare eccessivo, ma ricorda: ci vuole lavoro e pianificazione sul campo per rendere questi strumenti produttivi. Le azioni di alto livello includono la concessione agli agenti di libertà, ma non troppa libertà, ripensando al tempo stesso le tradizionali misure di ritorno sull’investimento.
Inoltre: 3 modi in cui gli agenti IA renderanno il tuo lavoro irriconoscibile nei prossimi anni
Per uno sviluppo e una gestione efficaci dell’intelligenza artificiale è necessario fare scelte informate in materia di controllo, investimenti, governance e progettazione, secondo Kristin Burnham, scrivere nella revisione della gestione dello Sloan del MIT. Analizzando le recenti ricerche condotte da Sloan e Boston Consulting Group, cita le “tensioni” di cui gli sviluppatori e i sostenitori degli agenti di intelligenza artificiale devono essere consapevoli:
- Vincolare troppo i sistemi advert agenti limita la loro efficacia, mentre concedere troppa libertà può introdurre imprevedibilità.
- L’AI agentic costringe le organizzazioni a riconsiderare il modo in cui valutano costi, tempistiche e ritorno sull’investimento.
- Le organizzazioni devono decidere se adattare rapidamente l’intelligenza artificiale agli agenti nei flussi di lavoro esistenti o prendersi il tempo per reimmaginare del tutto tali flussi di lavoro.
Inoltre: si cercano vibrazioni forensi e altri 10 nuovi ruoli lavorativi che l’intelligenza artificiale potrebbe creare
In tutto il settore c’è accordo sul fatto che gli agenti richiedono nuove considerazioni che vanno oltre quelle a cui siamo abituati nello sviluppo di software program tradizionale. In questo processo si stanno apprendendo nuove lezioni. I chief del settore hanno condiviso alcune delle loro lezioni con ZDNET mentre avanzavano verso un futuro di intelligenza artificiale.
1. La governance è importante: molto
“La fiducia non è precisione”, ha affermato Nik Kale, ingegnere principale di Cisco, che ha guidato un workforce che ha fornito agenti per fornire assistenza tecnica di livello esperto a oltre 100.000 utenti. Le prime versioni degli agenti “potevano rispondere con sicurezza ma in modo errato, il che ci ha richiesto di investire molto per radicare le risposte attraverso il recupero e la conoscenza strutturata”.
Una lezione importante appresa è che “la governance non può essere adattata”, ha aggiunto Kale. “Quando la supervisione e i controlli politici vengono aggiunti tardi, i sistemi spesso non dispongono dei ganci architettonici per supportarli, costringendo a pause dolorose o riprogettazioni.”
Inoltre: 8 modi per rendere l’IA responsabile parte del DNA della tua azienda
Nel lungo periodo, la fiducia accelera, ha detto Kale. “Una volta che i sistemi funzionano bene, il controllo umano diminuisce. È allora che possono emergere limiti di portata e autonomia involontaria se i confini non sono espliciti.”
Kale esorta i sostenitori degli agenti di intelligenza artificiale a “garantire l’autonomia in proporzione alla reversibilità, non alla fiducia del modello. Le azioni irreversibili in più domini dovrebbero sempre avere la supervisione umana, indipendentemente da quanto appaia sicuro il sistema”. Anche l’osservabilità è fondamentale, ha affermato Kale. “Essere in grado di vedere come è stata presa una decisione è importante quanto la decisione stessa.”
2. Inizia in modo stretto
Con gli agenti, “inizieremo intenzionalmente in modo ristretto”, ha affermato Tolga Tarhan, CEO di Atomic Gravity. “La maggior parte degli agenti che implementiamo hanno come ambito un singolo dominio con limiti chiari e risultati misurabili. Potrebbe trattarsi di un copilota tecnico, un assistente operativo o un agente che sintetizza set di dati complessi per i dirigenti.”
3. Garantire la qualità dei dati
“L’intelligenza artificiale funziona bene quando contiene dati di qualità”, ha affermato Oleg Danyliuk, amministratore delegato di Duanex, un’agenzia di advertising and marketing che ha creato un agente per automatizzare la convalida dei lead dei visitatori del suo sito. “Nel nostro esempio, per capire se il lead è interessante per noi, dobbiamo ottenere quanti più dati possibili, e la cosa più complessa è ottenere i dati del social community, poiché nella maggior parte dei casi non sono accessibili. Ecco perché abbiamo dovuto implementare various soluzioni different e ottenere solo la parte pubblica dei dati.”
Inoltre: no, l’intelligenza artificiale non ti sta rubando il lavoro tecnologico, lo sta solo trasformando
“La qualità dei dati è la questione numero uno”, concorda Tarhan. “I modelli funzionano bene solo in base alle informazioni che ricevono.”
4. Iniziare dal problema, non dalla tecnologia
“Definire il successo in anticipo”, ha affermato Tarhan. “Strumenta tutto. Mantieni gli esseri umani coinvolti più a lungo di quanto ritenuto necessario. E investi presto in osservabilità e governance. Se fatti bene, gli agenti di intelligenza artificiale possono essere trasformativi. Se affrettati, diventano demo costose. La differenza è la disciplina.” Il workforce di Tarhan si impegna a trattare gli agenti con tabelle di marcia, cicli di suggestions e iterazione continua – e “non come esperimenti scientifici”.
5. Considerare le metodologie “AgentOps”.
“Gli agenti di intelligenza artificiale non hanno successo solo sulla base delle capacità del modello”, ha affermato Martin Bufi, uno dei principali direttori della ricerca presso Data-Tech Analysis Group. Il suo workforce ha progettato e sviluppato sistemi di agenti IA per funzioni di livello aziendale, tra cui analisi finanziaria, convalida della conformità ed elaborazione dei documenti. Ciò che ha contribuito al successo di questi progetti è stato l’impiego di “AgentOps” (operazioni dell’agente), che si concentra sulla gestione dell’intero ciclo di vita dell’agente.
5. Mantieni gli agenti concentrati
Invece di costruire agenti monolitici che fanno tutto, Bufi consiglia di “impiegare più agenti specializzati per funzioni quali analisi, convalida, instradamento o comunicazione”. Inoltre, il workforce di Bufi ha cercato di fare in modo che questi workforce di agenti rispecchiassero il modo in cui operano i workforce umani, “attraverso modelli di orchestrazione espliciti hub-and-spoke per il lavoro parallelo, o pipeline sequenziali in cui intento e fiducia dovevano essere stabiliti prima di un’azione più profonda”.
7. Mantieni il contesto in linea e rimani adattabile
Anche per un agente monoutente relativamente limitato, “la gestione del contesto è un ostacolo significativo e può portare a grossi problemi se non gestita correttamente”, ha affermato Sean Falconer, capo dell’intelligenza artificiale presso Confluent, riflettendo sull’agente personale da lui creato. “Mentre gli agenti passano attraverso strumenti e interazioni iterative, la finestra di contesto si riempie rapidamente. Anche se i punti dati più vecchi potrebbero perdere rilevanza, i modelli non sempre danno implicitamente la priorità alle informazioni giuste.”
Inoltre: potresti essere un formatore di dati AI? Come prepararsi e quanto si paga
Per mantenere un output coerente e di alta qualità, gli sviluppatori “trascorrono una quantità sproporzionata di tempo a ottimizzare il modo in cui eliminano, riassumono e inseriscono il contesto in modo che l’agente non perda il filo dell’obiettivo originale”, ha spiegato Falconer. “Ingegnere per l’adattabilità fin dal primo giorno. “Assicurati che i tuoi investimenti nell’intelligenza artificiale siano flessibili e adeguatamente astratti. Evita i vincoli al fornitore o al modello in modo da poter cambiare rapidamente direzione quando arriva la prossima ondata di innovazione.”
