O que são agentes de IA?

Um agente de inteligência artificial (IA) é um programa de software que pode interagir com seu ambiente, coletar dados e usar esses dados para realizar tarefas autodirigidas que atendam a metas predeterminadas. Os humanos estabelecem metas, mas um agente de IA escolhe de forma independente as melhores ações que precisa realizar para atingir essas metas. Por exemplo, considere um agente de IA do contact center que deseja resolver as dúvidas dos clientes. O agente fará automaticamente perguntas diferentes ao cliente, pesquisará informações em documentos internos e responderá com uma solução. Com base nas respostas do cliente, ele determina se pode resolver a consulta por si só ou passá-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 inteligência artificial. Eles trocam dados entre si, permitindo que todo o sistema trabalhe em conjunto para alcançar objetivos comuns. Agentes de IA individuais podem ser especializados para realizar subtarefas específicas com precisão. Um agente orquestrador coordena as atividades de diferentes agentes especializados para concluir tarefas maiores e mais complexas.

Saiba mais sobre o que é inteligência artificial (IA)

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

Autonomia

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

Por exemplo, um agente de contabilidade sinaliza e solicita automaticamente os dados faltantes da fatura para compras.

Comportamento orientado a objetivos

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

Por exemplo, um sistema de logística de IA otimiza as rotas de entrega para equilibrar velocidade, custo e consumo de combustível simultaneamente, equilibrando assim vários objetivos.

Percepção

Os agentes de IA interagem com seu ambiente coletando dados por meio de sensores ou entradas digitais. Eles podem coletar dados de sistemas e ferramentas externas por meio de APIS. Esses dados permitem que eles percebam o mundo ao seu redor, reconheçam as mudanças e atualizem seu estado interno de acordo.

Por exemplo, agentes de segurança cibernética coletam dados de bancos de dados de terceiros para se manterem cientes dos incidentes de segurança mais recentes.

Racionalidade

Os agentes de IA são entidades racionais com capacidades de raciocínio. Eles combinam dados de seu ambiente com o conhecimento do domínio e o contexto anterior para tomar decisões informadas, alcançando desempenho e resultados ideais.

Por exemplo, um agente robótico coleta dados do sensor e um chatbot usa as consultas dos clientes como entrada. O agente de IA aplica os dados para tomar uma decisão informada. Ele analisa os dados coletados para prever os melhores resultados que suportam metas predeterminadas. O agente também usa os resultados para formular a próxima ação que deve ser tomada. Por exemplo, carros autônomos contornam obstáculos na estrada com base em dados de vários sensores.

Proatividade

Os agentes de IA podem tomar iniciativas com base em previsões e modelos de estados futuros. Em vez de simplesmente reagir aos insumos, eles antecipam os 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 sugere frustração, oferecendo ajuda antes que um ticket de suporte seja preenchido. Robôs de armazém autônomos podem se reposicionar em antecipação às próximas operações de alto tráfego.

Aprendizado contínuo

Os agentes de IA melhoram com o tempo aprendendo com as interações anteriores. Eles identificam padrões, feedback e resultados para refinar seu comportamento e sua tomada de decisão. Isso os diferencia dos programas estáticos que sempre se comportam da mesma maneira, independentemente das novas entradas.

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

Adaptabilidade

Os agentes de IA ajustam suas estratégias em resposta às novas circunstâncias. Essa flexibilidade permite que eles lidem com incertezas, situações novas e informações incompletas.

Por exemplo, um bot de negociação de ações adapta sua estratégia durante uma queda do mercado, enquanto um agente de jogos como o AlphaZero descobre novas táticas por meio do jogo próprio, mesmo sem estratégias humanas anteriores.

Colaboração

Os agentes de IA podem trabalhar com outros agentes ou agentes humanos para atingir metas compartilhadas. Eles são capazes de se comunicar, coordenar e cooperar para realizar tarefas juntos. Seu comportamento colaborativo geralmente envolve negociação, compartilhamento de informações, alocação de tarefas e adaptação às ações dos outros.

Por exemplo, os sistemas multiagentes na área da saúde podem ter agentes especializados em tarefas específicas, como diagnóstico, cuidados preventivos, agendamento de medicamentos, etc., para automação holística do atendimento ao paciente.

Os agentes de IA podem melhorar suas operações comerciais e as experiências de seus clientes.

Produtividade aprimorada

As equipes de negócios são mais produtivas quando delegam tarefas repetitivas aos agentes de IA. Dessa forma, eles podem desviar sua atenção para atividades criativas ou de missão crítica, agregando mais valor à sua organização.

Custos reduzidos

As empresas podem utilizar agentes inteligentes para minimizar os custos desnecessários resultantes de ineficiências de processos, erros humanos e processos manuais. Eles podem realizar tarefas complexas com confiança porque os agentes autônomos seguem um modelo consistente que se adapta às mudanças de ambientes. A tecnologia de agentes que automatiza os processos de negócios pode levar a uma economia significativa de custos.

Tomada de decisão adequada

Agentes inteligentes avançados têm recursos preditivos e podem coletar e processar grandes quantidades de dados em tempo real. Isso permite que os gerentes de negócios façam previsões mais informadas com rapidez ao planejar sua próxima jogada. Por exemplo, você pode usar agentes de IA para analisar as demandas de produtos em diferentes segmentos de mercado ao veicular uma campanha publicitária.

Melhor experiência do cliente

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

Uma arquitetura de agente de IA contém os seguintes componentes principais.

Modelo de fundação

No centro de qualquer agente de IA está uma base ou um grande modelo de linguagem (LLM), como GPT ou Claude. Ele permite que o agente interprete as entradas da linguagem natural, gere respostas semelhantes às humanas e raciocine sobre instruções complexas. O LLM atua como o mecanismo de raciocínio do agente, processando solicitações e transformando-as em ações, decisões ou consultas a outros componentes (por exemplo, memória ou ferramentas). Por padrão, ele retém alguma memória entre as sessões e pode ser acoplado a sistemas externos para simular a continuidade e a percepção do contexto.

Módulo de planejamento

O módulo de planejamento permite que o agente divida as metas em etapas menores e gerenciáveis e as sequencie logicamente. Este módulo emprega raciocínio simbólico, árvores de decisão ou estratégias algorítmicas para determinar a abordagem mais eficaz para alcançar o resultado desejado. Ele pode ser implementado como uma decomposição de tarefas orientada por um prompt ou abordagens mais formalizadas, como redes hierárquicas de tarefas (HTNs) ou algoritmos de planejamento clássicos. O planejamento permite que o agente opere em horizontes de tempo mais longos, considerando dependências e contingências entre as tarefas.

Módulo de memória

O módulo de memória permite que o agente retenha informações em interações, sessões ou tarefas. Isso inclui memória de curto prazo, como histórico de bate-papo ou entrada recente do sensor, e memória de longo prazo, incluindo dados do cliente, ações anteriores ou conhecimento acumulado. A memória aprimora a personalização, a coerência e a percepção do contexto do agente. Ao criar agentes de IA, os desenvolvedores usam bancos de dados vetoriais ou gráficos de conhecimento para armazenar e recuperar conteúdo semanticamente significativo.

Integração de ferramentas

Os agentes de IA geralmente ampliam suas capacidades conectando-se a softwares, APIs ou dispositivos externos. Isso permite que eles atuem além da linguagem natural, realizando tarefas do mundo real, como recuperar dados, enviar e-mails, executar código, consultar bancos de dados ou controlar hardware. O agente identifica quando uma tarefa exige uma ferramenta e, em seguida, delega a operação de acordo. O uso da ferramenta normalmente é orientado pelo LLM por meio de módulos de planejamento e análise que formatam a chamada da ferramenta e interpretam sua saída.

Aprendizagem e reflexão

A reflexão pode ocorrer de várias formas:

• O agente avalia a qualidade de sua própria saída (por exemplo, ele resolveu o problema corretamente?).
• Usuários humanos ou sistemas automatizados fornecem correções.
• O agente seleciona exemplos incertos ou informativos para melhorar seu aprendizado.

A aprendizagem por reforço (RL) é um paradigma chave de aprendizagem. O agente interage com um ambiente, recebe feedback na forma de recompensas ou penalidades e aprende uma política que mapeia estados em ações para obter o máximo de recompensa cumulativa. O RL é especialmente útil em ambientes em que os dados explícitos de treinamento são escassos, como robótica, jogos ou negociações financeiras. O agente equilibra a exploração (tentando novas ações) e a exploração (usando as melhores ações conhecidas) para melhorar sua estratégia ao longo do tempo.

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

Determinar 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 divide a meta em várias tarefas menores e acionáveis. Para atingir a meta, o agente executa essas tarefas com base em pedidos ou condições específicas.

Adquirir informações

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

Implementar tarefas

Com dados suficientes, o agente de IA implementa metodicamente a tarefa em questão. Depois de realizar uma tarefa, o agente a remove da lista e passa para a próxima. Entre a conclusão das tarefas, o agente avalia se atingiu a meta designada buscando feedback externo e inspecionando seus próprios registros. Durante esse processo, o agente pode criar e atuar em tarefas adicionais para alcançar o resultado final. 

As organizações criam e implantam agentes de IA em uma variedade de tipos e tarefas. Compartilhamos alguns exemplos abaixo.

Agentes reflexos simples

Um agente reflexo simples opera estritamente com base em regras predefinidas e seus dados imediatos. Ele não responderá a situações além de um determinado evento, condição e regra de ação. Portanto, esses agentes são adequados para tarefas simples que não exigem treinamento extensivo. Por exemplo, você pode usar um agente reflexo simples para redefinir senhas detectando palavras-chave específicas na conversa de um usuário.

Agentes reflexos baseados em modelos

Um agente baseado em modelo é semelhante aos agentes reflexos simples, exceto pelo fato de ter um mecanismo de tomada de decisão mais avançado. Em vez de simplesmente seguir uma regra específica, um agente baseado em modelo avalia os resultados e as consequências prováveis antes de tomar uma decisão. Usando dados de apoio, ele cria um modelo interno do mundo que percebe e o usa para apoiar suas decisões.

Agentes baseados em metas

Agentes baseados em metas, também conhecidos como agentes baseados em regras, são agentes de IA que possuem capacidades de raciocínio mais robustas. Além de avaliar os dados do ambiente, o agente compara diferentes abordagens para ajudá-lo a alcançar o resultado desejado. Agentes baseados em metas sempre escolhem o caminho mais eficiente. Eles são adequados para realizar tarefas complexas, como processamento de linguagem natural (PLN) e aplicações de robótica.

Agentes baseados em serviços públicos

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

Agentes de aprendizagem

Um agente de aprendizagem aprende continuamente com experiências passadas para melhorar seu desempenho. Usando mecanismos sensoriais de entrada e feedback, o agente adapta seu elemento de aprendizagem ao longo do tempo para atender a padrões específicos. Além disso, ele utiliza um gerador de problemas para projetar novas tarefas que se treinam usando dados coletados e resultados anteriores.

Agentes hierárquicos

Agentes hierárquicos são um grupo organizado de agentes inteligentes organizados em camadas. Agentes de nível superior decompõem tarefas complexas em tarefas menores e as atribuem a agentes de nível inferior. Cada agente atua de forma independente e envia um relatório de progresso ao agente supervisor. O agente de nível superior coleta os resultados e coordena os agentes subordinados para garantir que eles atinjam as metas coletivamente.

Sistemas multiagentes

Um sistema multiagente (MAS) consiste em vários agentes que interagem entre si para resolver problemas ou alcançar objetivos compartilhados. Esses agentes podem ser homogêneos (similares em design) ou heterogêneos (diferentes em estrutura ou função) e podem colaborar, coordenar ou até competir dependendo do contexto. As MAS são particularmente eficazes em ambientes complexos e distribuídos, nos quais o controle centralizado é impraticável.

Por exemplo, em frotas de veículos autônomos, cada veículo atua como um agente independente, mas colabora com outros para evitar congestionamentos e colisões, levando a um fluxo de tráfego mais suave.

Os agentes de IA são tecnologias de software úteis que automatizam os fluxos de trabalho de negócios para alcançar melhores resultados. Dito isso, as organizações devem abordar as seguintes preocupações ao implantar agentes autônomos de IA para casos de uso comercial.

Preocupações com privacidade de dados

O desenvolvimento e a operação de agentes avançados de IA exigem a aquisição, o armazenamento e a movimentação de grandes volumes de dados. As organizações devem estar cientes dos requisitos de privacidade de dados e empregar as medidas necessárias para melhorar sua postura de segurança de dados.

Desafios éticos

Em determinadas circunstâncias, os modelos de IA podem produzir resultados tendenciosos ou imprecisos. A aplicação de salvaguardas, como avaliações humanas, ajuda a garantir que os clientes recebam respostas úteis e justas dos agentes destacados.

Complexidades técnicas

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

Recursos de computação limitados

O treinamento e a implantação de agentes de IA de aprendizado profundo exigem recursos computacionais substanciais. Quando as organizações implementam esses agentes no local, elas precisam investir e manter uma infraestrutura cara que não é facilmente escalável.

O Amazon Bedrock é um serviço totalmente gerenciado que fornece acesso fácil aos modelos de IA generativa líderes do setor, como Claude, Llama 2 e Amazon Titan, além de um amplo conjunto de recursos necessários para criar aplicativos de IA generativos.

Os agentes da Amazon Bedrock usam o raciocínio de FMs, APIs e dados para detalhar as solicitações dos usuários, reunir 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 suporta:

• Retenção de memória para continuidade perfeita das tarefas
• Colaboração de vários agentes para criar vários agentes especializados sob a coordenação de um agente supervisor
• Guardrails Amazon Bedrock para segurança e confiabilidade integradas.

A AWS lançou um kit de ferramentas de código aberto com um catálogo crescente de agentes iniciais criados especificamente para casos de uso em saúde e ciências biológicas.

O AWS Transform é o primeiro serviço de IA agêntica para transformar workloads de .NET, mainframe e VMware. Com base em 19 anos de experiência em migração, ele implanta agentes de IA especializados para automatizar tarefas complexas, como avaliações, análise de código, refatoração, decomposição, mapeamento de dependências, validação e planejamento de transformação. Ele ajuda as organizações a modernizar simultaneamente centenas de aplicações, enquanto mantém a qualidade e o controle.

O Amazon Q Business é um assistente generativo baseado em IA projetado para ajudar você a encontrar informações, obter insights e agir no trabalho. Ele coloca o poder da criação de agentes de IA nas mãos de cada funcionário. Qualquer pessoa pode usá-lo para criar aplicações leves de IA agêntica que interagem com o software corporativo comum e automatizam tarefas repetitivas.

Comece a usar agentes de IA na AWS criando uma conta gratuita hoje mesmo.