Cosa sono gli agenti di IA?

Un agente di IA (o Agentic AI) è un software progettato per interagire con dati e strumenti in modo tale da richiedere il minimo intervento da parte dell'utente. Pensati per realizzare obiettivi specifici, questi sistemi sono capaci di svolgere attività autonomamente, scomponendole in passaggi più semplici ed eseguendole senza bisogno di input da parte dell'utente.

Gli agenti di IA coniugano l'automazione con le capacità creative di un modello linguistico di grandi dimensioni (LLM). Per ottenere un agente di IA, è necessario creare un sistema che garantisca a un LLM l'accesso a strumenti esterni e creare gli algoritmi che forniranno agli agenti di IA le istruzioni per utilizzare tali strumenti.

Il modo in cui gli agenti comunicano con gli strumenti prevede l'orchestrazione, con flussi o grafici a seconda del framework utilizzato. Grazie a questo approccio, il modello LLM è in grado di "pensare" e stabilire la risposta migliore alla richiesta. Ad esempio, se è possibile rispondere a un quesito con le informazioni disponibili o se occorre una ricerca esterna.

Scopri le soluzioni per l'IA di Red Hat

Gli agenti di IA sono entità che, da un livello superiore, riescono a gestire gli altri strumenti software. Possono essere strutture fisiche, programmi software o una commistione dei due.

Un agente di IA in un sistema robotico utilizza le telecamere, i sensori e i monitor per raccogliere dati sull'ambiente circostante, ed elaborare tali informazioni per stabilire l'azione successiva. Questo processo prende il nome di fusione dei sensori.

Un agente di IA in un programma software invece raccoglie i dati da altre sorgenti, come API, ricerche online, prompt testuali e database, per creare maggiore contesto e migliorare l'accuratezza delle sue intuizioni.

Di seguito sono descritte alcune funzionalità specifiche degli agenti di IA:

Gli agenti di IA sono adattativi e dinamici

Gli agenti di IA apprendono dai dati e dagli schemi incontrati in precedenza. Ciò significa che il sistema è in grado di modificare in tempo reale la sua strategia sulla base delle nuove informazioni che riceve. Mentre i flussi di lavoro tradizionali procedono in un'unica direzione, i flussi di lavoro dell'Agentic AI possono procedere in avanti ma anche tornare indietro e correggere gli errori. In sostanza, gli agenti di IA sono in grado di anticipare le esigenze in maniera proattiva e valutare il proprio operato.

Ad esempio, un'autovettura autonoma potrebbe trarre vantaggio dall'utilizzo di un agente di IA per migliorare la sua capacità di distinguere un pezzo di spazzatura sulla strada da uno scoiattolo. Dato che questo sistema monitora e analizza di continuo le proprie azioni, le sue analisi sono destinate a migliorare nel tempo.

Gli agenti di IA possono gestire e portare a termine dei compiti in totale autonomia

Gli agenti di IA sono detti anche IA autonoma per via della loro capacità di comunicare e collaborare con altri sistemi di IA e infrastrutture digitali per conto di un utente umano o di un altro agente di IA.

Ad esempio, se si comunica a un agente di IA che si vorrebbero cucinare degli spaghetti per cena, l'agente è in grado svolgere tutti i passaggi per espletare la richiesta: trovare una ricetta, scrivere una lista degli ingredienti necessari, ordinare tali ingredienti e farli consegnare direttamente a casa.

Gli agenti di IA eseguono azioni concatenate

I sistemi di IA sono in grado di eseguire una sequenza di azioni in risposta a una singola richiesta. Ad esempio, se si chiede a un agente di IA di creare un sito web, il sistema eseguirà tutti i passaggi necessari a completare l'attività. In risposta a un solo prompt dell'utente, l'agente di IA scriverà il codice per la struttura del sito, riempirà le pagine con i contenuti, creerà gli elementi visivi e testerà la reattività del sito.

Gli agenti di IA sono particolarmente utili nelle attività che richiedono il monitoraggio continuo o la capacità di prendere decisioni in tempi veloci. Di seguito alcuni dei vantaggi degli agenti di IA:

Produttività aumentata: delegare le attività agli agenti di IA permette di dedicare più tempo alle iniziative di maggior valore per l'organizzazione. Un agente di IA può lavorare 24 ore al giorno, 7 giorni a settimana.

Riduzione dei costi: in quanto capaci di ridurre l'errore umano, gli agenti di IA evitano ogni costo associato a inefficienze, sviste ed errori.

Processo decisionale informato: avvalendosi dell'apprendimento automatico, gli agenti di IA possono filtrare ed elaborare enormi quantità di dati in tempo reale, più di quanti possa mai elaborarne qualsiasi utente umano. Le informazioni ricavate da set di dati validi consentono di ottenere previsioni e strategie migliori.

Esperienza utente avanzata: convenzionalmente, la creazione di un flusso di lavoro automatizzato richiede esperienza in ingegneria e nella scrittura di codice. Oggi gli utenti possono interagire con gli agenti di IA in un linguaggio chiaro e ordinario, come quello che utilizziamo per interagire con piattaforme come ChatGPT.

Le caratteristiche esclusive di cui sono dotati permettono di utilizzare gli agenti di IA in numerosi ambiti. Di seguito alcuni esempi di utilizzo in vari scenari:

• Nelle operazioni aziendali, un agente di IA può gestire le catene di distribuzione, ottimizzare i livelli di inventario, fare previsioni sulla domanda e pianificare la logistica.
• In ambito sanitario, un agente di IA può interagire con gli utenti, monitorare le loro esigenze, proporre piani terapeutici e fornire supporto personalizzato.
• L'impiego degli agenti di IA per la creazione automatica di codice di debug, la gestione dei cicli di vita di sviluppo e la progettazione delle architetture di sistema può garantire più efficienza allo sviluppo software.
• Nelle operazioni software, gli agenti di IA possono supportare il funzionamento autonomo delle reti e di altre infrastrutture o servizi IT.
• Anche la sicurezza informatica trae vantaggio dagli agenti di IA, che possono facilitare il monitoraggio del traffico di rete, l'individuazione dei problemi e gestire le minacce in tempo reale.
• Gli agenti di IA offrono supporto nell'ambito della ricerca, per la progettazione e l'esecuzione di esperimenti, l'analisi dei dati, la formulazione di nuove ipotesi; più in generale, accelerano l'innovazione perché funzionano a un ritmo molto più veloce rispetto a un singolo ricercatore o a un gruppo di ricercatori.
• Infine, la capacità degli agenti di IA di analizzare continuativamente i trend di mercato, di negoziare e di adattare la propria strategia in base ai flussi di dati a cui hanno accesso in tempo reale è in grado di soddisfare molte esigenze del contesto finanziario-commerciale.

Gli agenti di IA aiutano a realizzare sistemi intelligenti capaci di operare in autonomia, di collaborare in modo efficace e di apprendere dalle interazioni con i dati. Il loro funzionamento si basa su un processo noto come flusso di lavoro di Agentic AI.

Tale flusso è costituito da una serie di azioni gestite e portate a termine dagli agenti di IA. Quando gli viene assegnato un obiettivo da completare, l'agente di IA avvia il flusso di lavoro suddividendo l'attività in una serie di passaggi più brevi che poi esegue.

Per portare a termine questa serie di passaggi, l'agente di IA crea molteplici versioni di sé stesso che vanno a comporre un sistema MAS (multiagente o ad agenti multipli). In questo flusso di lavoro, l'agente primario, anche noto come meta agente, agente di orchestrazione o supervisore, delega le attività ad altri agenti, assegna valori e interagisce con la memoria in un ciclo di feedback continuo. L'insieme degli agenti opera in parallelo, fino al raggiungimento dell'obiettivo generale.

Nell'ambito del MAS, ogni agente è dotato di una struttura interna che ne consente il funzionamento in modalità autonoma e in modalità collaborativa. La collaborazione dipende dagli archivi di memoria condivisi, che forniscono il contesto inerente alla conoscenza individuale, alle esperienze passate e agli stati di convinzione.

Se l'IA generativa è l'intelligenza incentrata sulla creazione di nuovi contenuti attraverso i modelli predittivi e la regressione lineare, gli agenti di IA utilizzano sistemi matematici per prendere decisioni basate su modelli predittivi, ma proseguono oltre, eseguendo un'azione o una serie di azioni per conto dell'utente.

L'IA generativa si basa sui prompt inseriti dall'utente per realizzare contenuti, mentre gli agenti di IA sono in grado di avviare un'azione. Un agente di IA può, ad esempio, creare i propri prompt e risultati aggiuntivi in base alle informazioni a cui ha accesso.

La retrieval augmented generation (RAG) è una tecnica che consente di ottenere risposte più accurate dalle applicazioni basate sull'IA generativa, collegando un modello linguistico di grandi dimensioni (LLM) a un prompt con istruzioni alternative o a una risorsa esterna. Differenziandosi dalla RAG tradizionale, gli agenti di RAG permettono al modello LLM di indagare attivamente, senza limitarsi al solo recupero dei dati.

Sebbene la RAG possa generare delle risposte e fornire il contesto utilizzando la documentazione e i set di dati a cui ha accesso, essa si affida all'ingegneria dei prompt manuali. Inoltre, la RAG tradizionale ha una limitata sensibilità al contesto e si basa esclusivamente sulla richiesta iniziale per recuperare le informazioni pertinenti.

Al confronto, un agente di RAG è più complesso e dinamico, in quanto può porre domande, creare il contesto dalla propria memoria ed eseguire attività aggiuntive anche senza un'esplicita richiesta. Questo ulteriore passaggio rispetto alla RAG tradizionale fa sì che gli agenti di RAG siano in grado di prendere decisioni informate per conto dell'utente, anche senza il suo intervento.

Nella tecnica RAG tradizionale, ad esempio, è possibile chiedere a un chatbot di mostrare la politica sui resi di un'azienda. A partire dalla stessa richiesta, un agente di RAG può prima mostrare la politica sui resi e poi presentare l'opzione per avviare un reso. Avviato il reso, l'agente di IA può organizzare la logistica: compila il modulo di reso a partire dal numero d'ordine, verifica i dati della carta di credito per il rimborso e completa la transazione per conto dell'utente.

Gli agenti di IA permettono di velocizzare i tempi di molti dei sistemi attualmente in uso, promuovendo l'innovazione. Tuttavia, restano da affrontare aspetti tecnici ed etici. Ad esempio, come accertarsi che gli agenti di IA siano allineati ai nostri valori o come stabilire la responsabilità degli errori che un agente di IA potrebbe eventualmente compiere. A volte sussistono problemi di trasparenza, perché non è possibile sapere con certezza in che modo l'agente è arrivato al risultato conclusivo che ci presenta. Questo aspetto è noto come "il problema della scatola nera".

Dal punto di vista della privacy e della sicurezza, è fondamentale considerare con attenzione qualsiasi modello di IA che creiamo o utilizziamo, verificando, ad esempio, che l'architettura sia realizzata secondo parametri di sicurezza che proteggono il flusso dei dati.

Occorre ricordare che gli agenti di IA richiedono grandi quantità di risorse, tra cui molta potenza di elaborazione e spazio per lo storage, aspetti con un impatto importante sull'ambiente da considerare.

Infine, serve consapevolezza anche rispetto alla curva di apprendimento, come con qualsiasi tecnologia emergente, perché l'adozione e la gestione dei flussi di lavoro dell'Agentic AI che prevedono l'uso di LLM richiedono competenze specializzate, soprattutto a livello aziendale.

Scopri gli scenari di utilizzo di AI/ML

Le organizzazioni che hanno da poco adottato l'IA generativa, possono comprenderne il vantaggio effettivo per il business grazie agli agenti di IA. Red Hat® AI e il nostro ecosistema di partner per l'IA possono aiutarti a progettare i framework per la creazione dei flussi di lavoro dell'Agentic AI e la scalabilità degli agenti di IA.

Red Hat Enterprise Linux® AI è un agente di orchestrazione di InstructLab, e può essere utilizzato per il fine tuning degli LLM e SLM utilizzati dai flussi di lavoro dell'Agentic AI.

Red Hat OpenShift® AI fornisce una piattaforma unificata per la creazione di sistemi MAS. Inoltre, tramite le capacità MLOps di OpenShift è possibile controllare l'apprendimento e il ragionamento adattivi utilizzati dagli agenti di IA.

Scopri Red Hat OpenShift AI