Cosa sono gli agenti IA (o Agentic AI)?
L'Agentic AI è un software progettato per interagire con dati e strumenti in modo tale da richiedere il minimo intervento da parte dell'utente. Pensato per realizzare obiettivi specifici, l'Agentic AI è in grado di svolgere attività autonomamente, scomponendole in passaggi più semplici ed eseguendole senza bisogno di input da parte dell'utente.
Gli agenti di IA (ovvero l'Agentic AI) coniugano l'automazione con le capacità creative di un modello linguistico di grandi dimensioni (LLM). Per ottenere l'Agentic AI, è necessario creare un sistema che garantisca a un LLM l'accesso a strumenti esterni e creare gli algoritmi che forniranno agli agenti 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.
Quali sono le capacità degli agenti di IA?
Gli agenti IA sono paragonabili a 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 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.
L'Agentic AI in un programma software invece raccoglie i dati da altre sorgenti, come API, ricerche online, prompt testuali e database, per ottenere più informazioni contestuali e migliorare l'accuratezza delle sue intuizioni.
Approfondiamo alcune delle caratteristiche specifiche dell'Agentic AI:
L'Agentic AI è adattiva e dinamica
L'Agentic AI apprende dai modelli e dai dati precedenti. 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 dell'Agentic AI 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.
L'Agentic AI è in grado di gestire e completare le attività in modo indipendente
A volte si parla dell'Agentic AI come "IA autonoma", per via della sua capacità di comunicare e collaborare con altri sistemi di IA e infrastrutture digitali per conto di un utente umano o di un altro agente IA.
Ad esempio, se si comunica a un agente 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.
L'Agentic AI ha una capacità di "concatenamento"
Ciò significa che il sistema di IA può eseguire una sequenza di azioni in risposta a una singola richiesta. Ad esempio, se si chiede a un agente 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.
Risorse da Red Hat
Vantaggi degli agenti IA
Gli agenti 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 IA:
Produttività aumentata: delegare le attività agli agenti IA permette di dedicare più tempo alle iniziative di maggior valore per l'organizzazione. Un agente IA può lavorare 24 ore al giorno, 7 giorni a settimana.
Riduzione dei costi: in quanto capaci di ridurre l'errore umano, gli agenti IA evitano ogni costo associato a inefficienze, sviste ed errori.
Processo decisionale informato: avvalendosi dell'apprendimento automatico, gli agenti 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 l'Agentic AI in un linguaggio chiaro e ordinario, come quello che utilizziamo per interagire con piattaforme come ChatGPT.
Scenari di utilizzo degli agenti IA
Le caratteristiche esclusive di cui è dotata permettono di utilizzare l'Agentic AI 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 IA può interagire con gli utenti, monitorare le loro esigenze, proporre piani terapeutici e fornire supporto personalizzato.
- L'impiego degli agenti IA per la creazione automatica di codice di debug, la gestione dei cicli di vita dello sviluppo e la progettazione delle architetture di sistema può garantire più efficienza allo sviluppo software.
- Nelle operazioni software, gli agenti IA possono supportare il funzionamento autonomo delle reti e di altre infrastrutture o servizi IT.
- La sicurezza informatica trae vantaggio dagli agenti IA, che possono facilitare il monitoraggio del traffico di rete, l'individuazione dei problemi e la gestione delle minacce in tempo reale.
- Gli agenti 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 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.
Cos'è un flusso di lavoro agentic?
Gli agenti 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 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 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.
Confronto tra IA generativa e agenti IA
Se l'IA generativa si concentra sulla creazione, l'Agentic AI si concentra sul fare. 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 crea un output in base alle richieste che inseriamo. L'IA agente si differenzia dall'IA tradizionale per la capacità di avviare l'azione. Un agente IA può, ad esempio, creare i propri prompt e risultati aggiuntivi in base alle informazioni a cui ha accesso.
Cosa sono gli agenti di RAG?
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 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.
Agentic AI e Model Context Protocol (MCP)
Quando i sistemi dell'Agentic AI devono connettersi a una risorsa esterna, si può utilizzare il Model Context Protocol (MCP). Si tratta di un protocollo open source che consente la connessione bidirezionale e la comunicazione standardizzata tra le applicazioni di IA e i servizi esterni.
MCP offre un modo semplice e affidabile per "collegare" i sistemi di IA virtualmente a diverse sorgenti di dati e strumenti. Immaginalo come un cavo USB-C che collega i dispositivi agli accessori e consente la trasmissione dei dati.
MCP e Agentic AI interagiscono tra loro per creare sistemi di IA intelligenti. Con L’MCP, i sistemi di IA possono interagire con l'ecosistema digitale più ampio per svolgere le attività per conto degli utenti. Senza l’MCP, l’Agentic AI può ragionare e pianificare (tutte caratteristiche dell'IA generativa), ma non può interagire con nessun sistema esterno.
Limiti e considerazioni sugli agenti IA
Gli agenti 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 possiamo assicurarci che i sistemi di agenti siano allineati ai nostri valori? Di chi è la responsabilità quando un'IA agente commette un errore? 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 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.
Il ruolo di Red Hat
Le organizzazioni che hanno da poco adottato l'IA generativa, possono comprenderne il vantaggio effettivo per il business grazie agli agenti 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 IA.
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 IA.
Definizione della strategia aziendale per l'IA: una guida introduttiva
Leggi questa guida introduttiva per scoprire come Red Hat OpenShift AI e Red Hat Enterprise Linux AI possono accelerare il percorso di adozione dell'IA.
