Alla scoperta degli scenari di utilizzo dell'Agentic AI

L'Agentic AI coniuga l'utilizzo di modelli linguistici di grandi dimensioni (LLM) con altri strumenti per potenziare le capacità dell'IA generativa (gen AI). Opera connettendosi e comunicando con sorgenti esterne per acquisire informazioni, prendere decisioni e orchestrare un'intera attività automatizzata al fine di raggiungere un obiettivo definito. 

Per mettere in pratica l'Agentic AI, è necessario creare un sistema che garantisca a un LLM l'accesso a strumenti esterni e a una logica che definisca come il sistema agentic deve utilizzarli. Un sistema agentic costituisce un livello di controllo e gestione di altri strumenti software. 

Possono essere strutture fisiche, programmi software o una commistione dei due. Ad esempio, un agente IA in un sistema robotico potrebbe utilizzare le telecamere, i sensori e i monitor per raccogliere dati sull'ambiente circostante ed elaborare tali informazioni con l'ausilio di software per stabilire l'azione successiva. Questo processo prende il nome di fusione dei sensori. 

L'Agentic AI in un ambiente software, invece, raccoglie dati da altre sorgenti, come interfacce di programmazione delle applicazioni (API), ricerche online, prompt testuali e database, che forniscono agli agenti le informazioni necessarie per percepire e comprendere il contesto in cui operano.

Scopri le soluzioni Red Hat AI

Agentic AI e agenti IA

"Agente IA" è un'espressione con valore di sostantivo ("Sto creando 3 agenti") che indica un'entità software progettata per operare e svolgere un ruolo all'interno di un sistema agentic.

"Agentic AI" ha invece valore descrittivo e si riferisce alle caratteristiche comportamentali di un sistema ("Dobbiamo rendere il nostro software più agentic"). Indica un sistema capace di pianificare, prendere decisioni e agire attivamente per raggiungere un determinato obiettivo, il tutto riducendo al minimo l'intervento umano. 

Breve storia (della breve storia) degli agenti IA

Le prime iterazioni degli agenti IA prevedevano chiamate di funzioni API di base; a quel punto, gli agenti hanno iniziato a creare set di istruzioni per i sistemi. 

In seguito, i framework hanno trasformato una singola chiamata a uno strumento in un ciclo: ragionamento, azione, osservazione e ripetizione. 

Con l'avvento del Model Context Protocol (MCP), la comunicazione tra applicazioni e servizi è stata standardizzata, semplificando notevolmente la messa a disposizione e l'individuazione di strumenti, risorse e prompt da parte di un client MCP (il componente che richiede l'accesso a dati o risorse esterni). 

Oggi disponiamo di agenti di codifica autonomi e sistemi multiagente in cui un agente pianifica le attività e le delega a subagenti che crea in base alle necessità. L'essere umano non interviene più direttamente nel processo, ma viene informato sul suo andamento.

Quindi, se il tuo agente può intervenire su sistemi reali, utilizzando credenziali reali e operando per lunghi periodi, cosa gli impedisce di fare qualcosa di sbagliato?

AgentOps. 

Con AgentOps (Agent Operations) si intende un framework di strumenti volti a monitorare come lavora la "mente" dell'IA e come arriva a prendere certe decisioni in tempo reale. 

Le azioni degli agenti sono di tipo non deterministico, ovvero sono stabilite da una serie di distribuzioni di probabilità casuali, di conseguenza non è possibile prevedere con precisione come agiranno. I flussi di lavoro degli agenti possono aiutare a risolvere i problemi in modo creativo, ma la creatività deve essere gestita in modo che i sistemi non diventino malevoli.

AgentOps interviene a livello di produzione, migliorando l'affidabilità del software. A tale scopo consente di:

• Tenere traccia delle risorse hardware.
• Monitorare il tasso di allucinazioni.
• Assicurare che i dati siano cifrati.
• Fornire un registro verificabile delle azioni compiute dall'agente.
• Terminare un processo in caso di violazione delle policy.

In un contesto enterprise, AgentOps è essenziale per i flussi di lavoro agentic. Consente di disporre di sistemi di IA basati sulla propria infrastruttura, addestrati sui propri dati, allineati ai propri valori e conformi alle proprie regole. 

Scopri di più su AgentOps

La Retrieval-Augmented Generation (RAG) è una tecnica che consente di ottenere risposte più accurate dalle applicazioni di IA generativa collegando un LLM 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 query 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.

Quando i modelli smettono di rispondere e iniziano ad agire

L'Agentic AI trova applicazione in numerosi ambiti. Vediamo come può essere utilizzata nei diversi settori:

L'Agentic AI nel settore finanziario

I team finanziari supervisionano milioni di transazioni, un volume che rende impossibile il rilevamento manuale delle frodi e l'applicazione delle policy in tempo reale. 

Gli agenti finanziari autonomi possono monitorare costantemente le transazioni giornaliere e segnalare potenziali frodi o violazioni delle policy prima che la situazione si aggravi. Gli agenti acquisiscono dati in tempo reale, li confrontano con le regole interne e segnalano eventuali anomalie. A questo punto, la valutazione passa ai revisori, che analizzano le attività sospette segnalate e stabiliscono se sia necessario intervenire.

L'Agentic AI nell'IT e nell'ingegneria del software

Gli sviluppatori dedicano ore a riprodurre i bug e scrivere correzioni, tempo che potrebbero invece impiegare per sviluppare e migliorare nuove funzionalità. Gli agenti IA possono facilitare la valutazione dei bug riproducendoli in un ambiente sandbox, preparando possibili correzioni ed eseguendo test per verificare l'efficacia delle patch. Una volta verificata la soluzione, uno sviluppatore esamina il codice e ne approva il deployment in produzione.

L'Agentic AI nella gestione della catena di distribuzione

Fattori esterni come condizioni meteorologiche estreme, scioperi e congestione portuale possono creare interruzioni nelle catene di distribuzione, causando ritardi e perdite economiche. Gli agenti possono monitorare notizie e condizioni meteorologiche e avvisare i team di potenziali ritardi. Possono persino calcolare l'impatto finanziario di eventuali modifiche alle rotte. I responsabili della catena di distribuzione esaminano quindi le analisi costi-benefici elaborate dall'agente e decidono quale strategia adottare.

L'Agentic AI per le autovetture autonome

Per muoversi in ambienti reali complessi, i veicoli a guida autonoma devono interpretare enormi quantità di dati sensoriali, spesso contrastanti tra loro. Un sistema agentic di fusione dei sensori integra i dati grezzi provenienti da telecamere e radar per creare in tempo reale un modello coerente dell'ambiente che circonda il veicolo. Il sistema agentic elabora, organizza e filtra i dati provenienti da tutti i sensori del veicolo per risolvere le ambiguità visive e prevedere in pochi millisecondi il rischio di collisione. I conducenti addetti alla sicurezza o gli operatori remoti supervisionano i casi eccezionali, monitorano l'affidabilità di questi sistemi e assumono il controllo manuale quando necessario.

L'Agentic AI nelle comunicazioni e nelle pubbliche relazioni

Il mondo online si muove a un ritmo che nessun team di comunicazione può realisticamente riuscire a seguire. Le notizie arrivano 24 ore su 24, 7 giorni su 7, il sentiment può cambiare nel giro di pochi minuti e una notizia di poco conto può trasformarsi rapidamente in una crisi.

Gli agenti possono monitorare costantemente le menzioni di un brand sulle piattaforme di tutto il mondo e sintetizzarle per valutare il sentiment del pubblico. Possono anche esaminare nuovi articoli, pubblicazioni scientifiche recenti e trend sui social media ed elaborare sintesi giornaliere. Gli agenti possono quindi riassumere queste informazioni, aiutando i team ad anticipare l'evoluzione del settore. I professionisti della comunicazione possono poi utilizzare queste sintesi per elaborare messaggi per le situazioni più delicate e definire la strategia di PR da adottare quando un incidente si aggrava.

L'Agentic AI nelle risorse umane

L'onboarding dei nuovi assunti comporta attività amministrative ripetitive, pianificazione e un flusso continuo di domande che possono assorbire molte risorse. A questo scopo, un agente dedicato all'onboarding può guidare i nuovi assunti nella gestione della documentazione, nella configurazione dei sistemi IT e nella formazione. Può inoltre aiutarli a trovare risposta a domande specifiche e pianificare incontri introduttivi in base al ruolo e al reparto di appartenenza. In questo modo, i responsabili delle risorse umane e dei team possono dedicare più tempo all'integrazione dei nuovi assunti nella cultura aziendale, al mentorship e alla creazione di rapporti personali. 

L'Agentic AI in ambito legale e di conformità

La continua evoluzione delle leggi commerciali e delle normative ambientali a livello globale rende difficile per le aziende internazionali mantenere la conformità. Gli agenti possono monitorare costantemente gli aggiornamenti normativi nel mondo e analizzare l'impatto dell'evoluzione dei quadri giuridici sui flussi di lavoro operativi. In questo modo, le organizzazioni possono anticipare i rischi legali senza dover esaminare manualmente le policy. Quando un agente segnala un ambito che potrebbe richiedere un adeguamento interno, un consulente legale può interpretare i risultati e, se necessario, redigere politiche aziendali aggiornate. 

L'Agentic AI nel marketing e nelle vendite

In un mercato competitivo, l'applicazione di prezzi statici può determinare una perdita di fatturato. Gli agenti analizzano in tempo reale le tariffe delle aziende concorrenti e le richieste di mercato. Propongono quindi variazioni ai prezzi applicati dall'azienda in modo da mantenere un vantaggio senza andare a intaccare i margini di guadagno. I responsabili del marketing e del fatturato definiscono i parametri della strategia di prezzo, valutano i suggerimenti automatizzati e approvano le campagne promozionali. 

L'Agentic AI nel settore sanitario

L'enorme quantità di dati amministrativi che gli operatori sanitari si trovano a gestire può causare burnout e portare a disattenzioni nell'assistenza ai pazienti. Un agente di assistenza clinica può aiutare a organizzare i dati dei pazienti, segnalare risultati di laboratorio mancanti e avvisare il team di potenziali incompatibilità tra farmaci o problemi di dosaggio. Medici e personale clinico utilizzano l'agente come una sorta di rete di sicurezza, esaminando le segnalazioni generate e dedicando più tempo all'assistenza diretta ai pazienti. 

Esplora gli scenari di utilizzo dell'Agentic AI con Red Hat

Red Hat® AI permette di eseguire l'intero ciclo di vita degli agenti tramite un piano di controllo AgentOps dedicato. Così facendo si ottengono deployment sicuri, osservabili ed efficienti in tutto l'ambiente di cloud ibrido. 

La piattaforma offre governance di livello enterprise grazie all'integrazione di strumenti di protezione. L'infrastruttura alla base sfrutta vLLM e llm‑d per assicurare capacità di inferenza distribuita efficienti e garantire la scalabilità dei flussi di lavoro a elevato utilizzo di risorse in tutti gli ambienti, da quelli on premise all'edge.

Red Hat AI offre capacità di inferenza rapide, flessibili ed efficienti grazie ai suoi server basati su vLLM. Collega in modo affidabile i modelli ai dati per unificare la personalizzazione e lo sviluppo di agenti specializzati su un'unica piattaforma. Basati su una piattaforma open source, i nostri prodotti di IA offrono il pieno controllo e la massima scalabilità dei flussi di lavoro dell'IA.