Cesta od RPA k autonomním agentům

Finanční vyšetřovatelka, která dříve dostávala velké objemy podezřelých aktivit vyžadujících ruční vyšetřování a shromažďování dat napříč systémy, aby mohla odstranit falešné pozitivy a vypracovat zprávy o podezřelých aktivitách (SAR), dnes dostává prioritizované upozornění s automatickým výzkumem a navrhovaným obsahem, který může generovat SAR v minutách.

Retailový plánovač kategorií, který dříve prováděl hodiny dlouhé analýzy minulých týdnů, aby se pokusil odhalit informace o tom, které produkty jsou nedostatečně výkonné a proč, nyní používá AI, aby získal hluboké poznatky, které odhalují problémové oblasti a navrhují nápravná opatření, priorizovaná pro maximální obchodní dopad. Průmyslový inženýr údržby používá kopilot, který provádí 24/7 monitoring stavu majetku a předpovídá problémy a generuje varování v raných fázích mechanických nebo výkonových problémů, snižuje tak neplánované odstávky.

Tyto transformace se dějí napříč podniky dnes, signalizují fundamentální změnu: vertikální aplikace kombinující prediktivní, generativní a vznikající agentic AI rozšiřují a transformují automatizaci pracovních postupů, poskytují cílené, sofistikované schopnosti, které řeší daleko složitější a kontextuální výzvy než dříve.

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 v velkém detailu. Ale aplikace kombinující prediktivní, generativní a brzy agentic AI se specializovanými vertikálními znalostními zdroji a pracovními postupy mohou získat informace z rozdílných zdrojů v celém podniku, urychlit a automatizovat opakující se úkoly a poskytovat doporučení pro vysoké dopady. Podniky, které tyto aplikace využívají, realizují rychlejší a přesnější rozhodování, rychlou identifikaci a nápravu problémů a dokonce preventivní opatření, aby se zabránilo problémům, které by mohly nastat.

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 pokrok představuje 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 a strukturovanými 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 specializované odborné znalosti, podnikovou třídu zabezpečení a schopnost integrovat rozdílné zdroje dat.

Na další úrovni AI agenti jdou za prediktivní AI algoritmy a software s jejich schopností operovat autonomně, přizpůsobovat se měnícím se prostředí a dělat rozhodnutí založená na předem naprogramovaných pravidlech a naučených chování. Zatímco tradiční AI nástroje mohou vyniknout v konkrétních úkolech nebo analýze dat, AI agenti mohou integrovat více schopností, aby navigovali složitá, dynamická prostředí a řešili multifacetední problémy. AI agenti mohou pomoci organizacím být účinnější, produktivnější 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 pro podporu specializované kontextuální aktivity, AI agenti se stávají vysoce produktivními pracovními koňmi pro rozluštění problému, provedení správných kroků, zotavení z chyb a zlepšení průběhu času na daných úkolech.

Navigace implementace: klíčové aspekty pro podniky k úvaze

Implementace prediktivní, generativní a nakonec agentic AI v podnikovém prostředí může být vysoce výhodná, 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: Protože AI modely vyžadují velké množství kvalitních dat, aby fungovaly účinně, podniky musí implementovat robustní datové sběr a zpracování, aby zajistily, že AI dostává aktuální, přesná a relevantní data. Kurátorské datové zdroje výrazně snižují riziko halucinací a umožňují AI učinit optimální analýzu, doporučení a rozhodnutí.
• Zabezpečení a ochrana osobních údajů: Zpracování citlivých dat v AI modelech představuje rizika ochrany osobních údajů a potenciální bezpečnostní zranitelnosti. Péčlivé uvážení o tom, která data jsou nezbytná pro AI, aby mohla fungovat, a neposkytování dat, která by nebyla přímo relevantní, může pomoci minimalizovat expozici. Aplikace by měly také poskytovat role-based a uživatelsky založenou kontrolu přístupu s autentizačními ochranami postavenými do datových a API vrstev a potvrdit, 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 může zabránit nadměrné spotřebě zdrojů – například specializovaný SLM může být stejně účinný jako obecnější LLM a výrazně snížit výpočetní požadavky a latence.
• Interpretace modelu a vysvětlitelnost: Mnoho AI modelů, zejména hlubokých učících se modelů, je často považováno za “černé skřínky”. Dobré podnikové AI produkty prokázaly plnou transparentnost, včetně zdrojů, které modely přístup a kdy, a proč každá doporučení byla učiněna. Tuto kontext je kritická 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 procesy v smyčce – 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 procesy v smyčce mohou poskytnout okamžité zpětné vazby, schválit kritická rozhodnutí nebo vstoupit, když AI narazí na neznámé situace, vytvářející tak silnou spolupráci mezi umělou a lidskou inteligencí.

Odpovědné AI také poskytuje silné uživatelské rozhraní, stopovatelnost a schopnost auditovat kroky, proč agent zvolil cestu provedení. Dodržujeme zásady odpovědného AI, včetně zodpovědnosti, transparentnosti, zabezpečení, spolehlivosti a ochrany osobních údajů.

Cesta k plně autonomním agentům

Je obtížné předpovědět, jak reálná je scénář plně autonomních agentů, protože jsme nezavedli průmyslový standard pro úroveň autonomie. Například oblast autonomního řízení byla zavedena v souvislosti s úrovněmi 1-5 samořídící schopnosti, od nuly, kdy řidič provádí všechny úkoly řízení, po úroveň pět, kdy 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 fluidní 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 vyšetřování podvodů, turbocharge retail kategorii management a poptávkové předpovědi a umožnit výrobcům předpovídat a zabránit strojním selháním.\

Jsme目前 rozšiřujeme složitost a autonomii AI agentů v našich aplikacích a zpětná vazba zákazníků je velmi pozitivní. Prediktivní a generativní AI pokročily do takové úrovně, že mohou automatizovat pracovní postupy, které byly dříve považovány za příliš složité 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 kopilotem, pomáhá finančním vyšetřovatelům ušetřit čas na vyšetřování, zatímco současně zlepšuje kvalitu vyšetřování. V rámci týdnů banka viděla průměrné úspory úsilí o approximately 20% v úrovních 1 a 2 vyšetřování. Banka také předpokládá úspory nákladů se SymphonyAI na Microsoft Azure ve výši 3,5 milionu eur ročně, včetně 80% poklesu výdajů s vedoucím technologickým poskytovatelem z 1,5 milionu eur ročně na 300 000 eur ročně.

S promyšleným, podnikovým designem, který využívá zásady odpovědného AI, AI agenti poskytují transformační produktivitu, přesnost a excelenci pro rostoucí řadu prokázaných použití. V SymphonyAI je naše mise poskytovat podnikům AI agenty, kteří poskytují provozní excelenci. Kombinací rychlé reakce s dlouhodobým strategickým myšlením je agentic AI připravena revolucionalizovat kritické procesy napříč několika odvětvími.