Cesta od RPA k autonomním agentům

Finanční vyšetřovatelka trestných činů, která dříve dostávala velké objemy podezřelých aktivit vyžadujících únavnou vyšetřovací práci manuálním shromažďováním dat napříč systémy, aby vyřadila falešně pozitivní výsledky a vypracovala zprávy o podezřelé činnosti (SAR), dnes dostává upřednostňované výstrahy s automatickým výzkumem a navrhovaným obsahem, který může vygenerovat SAR během několika minut.

Retailový plánovač kategorií, který dříve prováděl hodiny dlouhé analýzy minulých týdnů, aby se pokusil odhalit informace o tom, které produkty jsou nedostatečné a proč, nyní používá AI, aby poskytl hluboké analýzy, které odhalují problémové oblasti a navrhují nápravná opatření, priorizovaná pro maximální obchodní dopad. Průmyslový inženýr údržby používá copilota, který provádí 24/7 monitorování zdraví aktiv a předpovídá problémy a generuje varování v raných stádiích mechanických nebo výkonových problémů, což snižuje neočekávané odstávky.

Tyto transformace se dějí napříč podniky dnes, signalizujíce fundamentální posun: vertikální aplikace kombinující prediktivní, generativní a vznikající agentic AI rozšiřují a transformují automatizaci pracovních postupů, poskytují cílené, sofistikované schopnosti, které řeší mnohem složitější a kontextuální výzvy než dřívější řešení.

Gartnerova Hype Cycle for Emerging Technologies z roku 2024 vyzdvihla autonomní AI jako jednu z nejvýznamnějších technologických trendů roku – a to právem. S ne-AI agenty museli uživatelé definovat co měli automatizovat a jak to udělat ve velkém detailu. Ale aplikace kombinující prediktivní, generativní a brzy agentic AI se specializovanými vertikálními znalostními zdroji a pracovními postupy mohou čerpat informace z rozličných zdrojů v celém podniku, urychlit a automatizovat opakované úkoly a poskytovat doporučení pro vysoké dopady. Podniky, které tyto aplikace využívají, realizují rychlejší a přesnější rozhodování, rychlé identifikaci a nápravu problémů a dokonce preventivní opatření, aby se zabránilo problémům, které by se mohly vyskytnout.

AI agenti představují další vlnu v podnikovém AI. Budují na základech prediktivní a generativní AI, ale činí významný skok vpřed v oblasti autonomie a adaptability. AI agenti nejsou jen nástroje pro analýzu nebo generování obsahu – jsou inteligentní systémy schopné nezávislého rozhodování, řešení problémů a kontinuálního učení. Tento posun označuje změnu z AI jako podpůrného nástroje na AI jako aktivního účastníka obchodních procesů, schopného iniciovat akce a přizpůsobovat strategie v reálném čase.

Evolve z RPA na autonomní agenty

Tradičně se RPA používalo pro opakující se, heuristicky založené procesy a úkoly s nízkou složitostí se strukturovanými datovými vstupy. RPA používá strukturované vstupy a definovanou logiku pro automatizaci vysoce opakujících se procesů, jako je zadávání dat, přenos souborů a vyplňování formulářů. Široká dostupnost dostupných, vysoce účinných prediktivních a generativních AI řeší další úroveň složitějších obchodních problémů vyžadujících specializovanou doménovou odbornost, podnikovou bezpečnost a schopnost integrovat rozličné datové zdroje.

Na další úrovni AI agenti jdou za prediktivními algoritmy AI a softwarem ve své schopnosti operovat autonomně, přizpůsobovat se měnícím se prostředí a dělat rozhodnutí založená na předem naprogramovaných pravidlech a naučených chování. Zatímco tradiční nástroje AI mohou vyniknout v konkrétních úkolech nebo analýze dat, AI agenti mohou integrovat více schopností, aby navigovali komplexní, dynamické prostředí a řešili multifacetední problémy. AI agenti mohou pomoci organizacím být více efektivní, produktivní a zlepšit zákaznickou a zaměstnaneckou zkušenost, zatímco snižují náklady.

Když jsou postaveny s pravými AI modely jako nástroji a s vertikálními datovými zdroji a strojovým učením, aby podporovaly specializovanou kontextuální aktivitu, AI agenti se stávají vysoce produktivními pracovními koňmi pro rozluštění problému, provedení správných kroků, zotavení z chyb a zlepšení v čase pro dané úkoly.

Navigace implementace: klíčové aspekty pro podniky k zvážení

Implementace prediktivní, generativní a nakonec agentic AI v podnikovém prostředí může být vysoce prospěšná, ale je důležité učinit správná opatření před nasazením, aby se zajistil úspěch. Zde jsou některé z hlavních úvah pro podniky, když zvažují a začínají nasazovat AI agenty.

• Sladění s obchodními cíli: Pro úspěšné přijetí AI v podniku by mělo řešit konkrétní použití v konkrétních odvětvích a poskytovat zvýšenou produktivitu a přesnost. Pravidelně zapojte obchodní stakeholdery do procesu hodnocení/výběru AI, aby zajistili sladění a poskytli jasnou návratnost investic. Produkty by měly být přizpůsobeny procesům a pracovním postupům, které měřitelně zlepšují výsledky pro definované použití a vertikální domény.
• Kvalita, množství a integrace dat: Jak AI modely vyžadují velké množství kvalitních dat, aby fungovaly účinně, podniky musí implementovat robustní datové sběrné a zpracovatelské kanály, aby zajistily, že AI dostává aktuální, přesná a relevantní data. Kurátorské datové zdroje výrazně snižují riziko halucinací a umožňují AI provést optimální analýzu, doporučení a rozhodnutí.
• Bezpečnost a ochrana osobních údajů: Zpracování citlivých dat v AI modelech představuje rizika ochrany osobních údajů a potenciální bezpečnostní zranitelnosti. Péčlivé zvážení toho, která data jsou nezbytná pro AI, aby dělala svou práci, a neposkytování dat, která by nebyla přímo relevantní, může pomoci minimalizovat expozici. Aplikace by měly také poskytovat roli-založenou a uživatelsky-založenou kontrolu přístupu s autentifikačními ochranami postavenými na datové a API vrstvách a potvrzovat, že data nedosahují SLM nebo LLM bez ověření a ochrany.
• Infrastruktura a škálovatelnost: Spuštění velkých AI modelů vyžaduje významné výpočetní zdroje a škálovatelnost může být také problémem. Dobrý design zabrání nadměrné spotřebě zdrojů – například specializovaný SLM může být stejně efektivní jako obecnější LLM a významně snížit výpočetní požadavky a latence.
• Interpretace modelu a vysvětlitelnost: Mnoho AI modelů, zejména hlubokých učících modelů, je často považováno za “černé skříňky”. Dobré podnikové AI produkty poskytují plnou transparentnost, včetně zdrojů, které modely přístup a kdy, a proč každé doporučení bylo učiněno. Mít tento kontext je kritické pro vytvoření uživatelské důvěry a pohánět přijetí.

Potenciální nevýhody AI agentů

Jako u každé nové technologie, AI agenti mají několik potenciálních nevýhod. Nejlepší AI agent aplikace spoléhají na lidské-v-smyčce procesy – včetně všech aplikací a schopností SymphonyAI agentic AI. Tento přístup umožňuje lidskou kontrolu, zásah a spolupráci, zajišťuje, že akce agenta jsou v souladu s obchodními cíli a etickými úvahami. Lidské-v-smyčce systémy mohou poskytnout okamžité zpětné vazby, schválit kritická rozhodnutí nebo vstoupit, když AI narazí na neznámé situace, vytvářející silnou spolupráci mezi umělou a lidskou inteligencí.

Zodpovědné AI také dodává silné uživatelské rozhraní, stopovatelnost a schopnost auditu kroku, proč agent zvolil cestu provedení. Dodržujeme zodpovědné AI principy odpovědnosti, transparentnosti, bezpečnosti, spolehlivosti / bezpečnosti a ochrany osobních údajů.

Cesta k plně autonomním agentům

Je těžké předpovědět, jak reálná je plně autonomní agentní scéna, protože jsme nezavedli odvětvový standard pro úroveň autonomie. Například oblast autonomního řízení byla stanovena na úrovně 1-5 samořídící schopnosti, od nuly, kde řidič provádí všechny úkoly řízení, po úroveň pět, kde vozidlo provádí všechny úkoly řízení.

Jsme dobře pokročili v tom, co považuji za třetí fázi cesty k podnikové hodnotě s AI – kde kombinované generativní a prediktivní AI aplikace poskytují sofistikovaná doporučení a podporují tekutou analýzu “co kdyby”. V SymphonyAI vidíme další fázi, která se vyvíjí směrem k autonomním AI agentům, pracujícím s prediktivní a generativní AI, aby urychlit finanční podvody, turbo-nabít retailovou kategorii a řízení poptávky a umožnit výrobcům předpovídat a zabránit strojním selháním.

Aktuálně zvyšujeme složitost a autonomii AI agentů v našich aplikacích a zpětná vazba zákazníků je velmi pozitivní. Prediktivní a generativní AI pokročily na úroveň, kde mohou automatizovat pracovní postupy, které byly dříve považovány za příliš komplexní pro tradiční software. Autonomní, nebo agentic, AI vyniká v řešení těchto úkolů bez dohledu, což vede k transformačním produktivním ziskům a umožňuje lidským zdrojům soustředit se na strategičtější činnosti.

Například nadnárodní evropská banka, která používá SymphonyAI Sensa Investigation Hub s AI agenty a copilotem, pomohla finančním vyšetřovatelům trestných činů ušetřit čas na svých vyšetřováních, zatímco zároveň zlepšila kvalitu vyšetřování. V rámci několika týdnů banka zaznamenala průměrnou úsporu úsilí o 20 % u vyšetřování úrovně 1 a úrovně 2. Banka také předpokládá úspory nákladů se SymphonyAI na Microsoft Azure ve výši 3,5 milionu eur ročně, včetně 80% poklesu výdajů u předního technologického poskytovatele z 1,5 milionu eur ročně na 300 000 eur ročně.

S uvážlivým, podnikovým designem, využívajícím zodpovědné AI principy, AI agenti dodávají transformační produktivitu, přesnost a excelenci pro rostoucí řadu prokázaných použití. V SymphonyAI je naše mise poskytnout podnikům AI agenty, kteří dodávají provozní excelenci. Kombinací rychlé reakce s dlouhodobým strategickým myšlením je agentic AI připravena revolucionalizovat kritické procesy napříč několika odvětvími.