Esta semana em dados: O que diabos é observabilidade de dados?
16 de janeiro de 2024
Revolucionando a personalização: como a IA generativa impulsiona o crescimento com insights do cliente orientados por IA
16 de janeiro de 2024
A Microsoft juntou-se à corrida por estruturas de aplicativos de modelo de linguagem grande (LLM) com sua biblioteca Python de código aberto, AutoGen.
Conforme descrito pela Microsoft, AutoGen é “uma estrutura para simplificar a orquestração, otimização e automação de fluxos de trabalho LLM”. O conceito fundamental por trás do AutoGen é a criação de “agentes”, que são módulos de programação alimentados por LLMs como o GPT-4. Esses agentes interagem entre si por meio de mensagens em linguagem natural para realizar diversas tarefas.
Os agentes podem ser personalizados e aumentados usando técnicas de engenharia imediata e ferramentas externas que lhes permitem recuperar informações ou executar código. Com o AutoGen, os desenvolvedores podem criar um ecossistema de agentes especializados em diferentes tarefas e cooperar entre si.
Uma visão simplificada do ecossistema de agentes é ver cada agente como uma sessão ChatGPT individual com suas instruções de sistema exclusivas. Por exemplo, um agente poderia ser instruído para atuar como assistente de programação que gera código Python com base nas solicitações do usuário. Outro agente pode ser um revisor de código que pega trechos de código Python e os soluciona. A resposta do primeiro agente pode então ser repassada como entrada para o segundo agente. Alguns desses agentes podem até ter acesso a ferramentas externas, o que equivale a plug-ins ChatGPT como Code Interpreter ou Wolfram Alpha.
Fonte da imagem: Blogue da Microsoft
O AutoGen fornece as ferramentas necessárias para criar esses agentes e permitir que eles interajam automaticamente. Ele está disponível para uso como código aberto com uma licença permitida.
Os aplicativos multiagentes podem ser totalmente autônomos ou moderados por meio de “agentes proxy humanos”, que permitem aos usuários entrar na conversa entre os agentes de IA, agindo como outra voz para fornecer supervisão e controle sobre seu processo. De certa forma, o usuário humano se transforma em um líder de equipe que supervisiona uma equipe de múltiplas IAs.
Os agentes humanos são úteis para aplicações onde a estrutura do agente deve tomar decisões sensíveis e exigir confirmação do usuário, como fazer compras ou enviar e-mails.
Eles também podem permitir que os usuários ajudem os agentes a orientar o curso quando eles começarem a seguir na direção errada. Por exemplo, o usuário pode começar com uma ideia inicial para um aplicativo e gradualmente refiná-la e adicionar ou modificar recursos à medida que começa a escrever o código com a ajuda de agentes.
A arquitetura modular do AutoGen permite que os desenvolvedores criem componentes reutilizáveis de uso geral que podem ser montados para criar rapidamente aplicativos personalizados.
Vários agentes AutoGen podem colaborar para realizar tarefas complexas. Por exemplo, um agente humano pode solicitar assistência para escrever código para uma tarefa específica.
Um agente assistente de codificação pode gerar e retornar o código, que o agente usuário de IA pode então verificar usando um módulo de execução de código. Juntos, os dois agentes de IA podem então solucionar problemas do código e produzir uma versão executável final, com o usuário humano capaz de interromper ou fornecer feedback a qualquer momento.
Esta abordagem colaborativa pode levar a ganhos de eficiência significativos. Segundo a Microsoft, o AutoGen pode acelerar a codificação em até quatro vezes.
O AutoGen também oferece suporte a cenários e arquiteturas mais complexas, como o arranjo hierárquico de agentes LLM. Por exemplo, um agente gerenciador de bate-papo em grupo poderia moderar conversas entre vários usuários humanos e agentes LLM e transmitir mensagens entre eles de acordo com um conjunto de regras.
Um campo competitivo
O campo de estruturas de aplicativos LLM está se desenvolvendo rapidamente e o Microsoft AutoGen está competindo com muitos outros concorrentes. LangChain é uma estrutura para a criação de vários tipos de aplicativos LLM, desde chatbots até resumidores de texto e agentes. LlamaIndex oferece ferramentas ricas para conectar LLMs a fontes de dados externas, como documentos e bancos de dados.
Bibliotecas como AutoGPT, MetaGPT e BabyAGI são focadas especificamente em agentes LLM e aplicativos multiagentes. ChatDev usa agentes LLM para emular uma equipe inteira de desenvolvimento de software. E a biblioteca Transformers Agents do Hugging Face permite que os desenvolvedores criem aplicativos de conversação que conectam LLMs a ferramentas externas.
Os agentes LLM são uma área quente de pesquisa e desenvolvimento, com protótipos já criados para tarefas que vão desde desenvolvimento de produtos até funções executivas, compras e pesquisas de mercado. Estudos também mostraram como os agentes LLM podem ser usados para simular o comportamento da população em massa ou criar personagens não jogáveis realistas em jogos. No entanto, grande parte deste trabalho continua a ser uma prova de conceito e ainda não está pronto para produção devido a desafios, como alucinações e comportamento imprevisível de agentes LLM.
Apesar destes desafios, o futuro das aplicações LLM parece brilhante, com os agentes definidos para desempenhar um papel significativo. As grandes empresas de tecnologia já estão apostando alto que os copilotos de IA serão uma grande parte dos futuros aplicativos e sistemas operacionais. E as estruturas de agentes LLM permitirão que as empresas criem seus próprios copilotos personalizados. A entrada da Microsoft neste campo com o AutoGen é uma prova da intensificação da concorrência em torno dos agentes LLM e do seu potencial futuro.
A missão da VentureBeat é ser uma praça digital para os tomadores de decisões técnicas obterem conhecimento sobre tecnologia empresarial transformadora e realizarem transações. Conheça nossos Briefings.
