O que é a IA agentic?
A IA agentic é um sistema de software criado para interagir com dados e ferramentas, exigindo o mínimo de intervenção humana. Com foco no comportamento orientado a metas, a IA agentic (também chamada de agentes de IA) realiza tarefas criando uma lista de etapas e as executando de forma autônoma.
Pense na IA agentic como uma combinação entre a automação e as habilidades criativas de um Large Language Model (LLM). Para usar a IA agentic, você precisa criar um sistema que disponibilize um LLM com acesso a ferramentas externas, além de algoritmos que ofereçam instruções sobre como os agentes de IA devem usar essas ferramentas.
A comunicação dos agentes com as ferramentas envolve orquestração com fluxos e gráficos, dependendo do framework utilizado. Essa abordagem permite que o LLM “raciocine” e determine a melhor forma de responder a uma pergunta, por exemplo, decidir se a consulta pode ser respondida com as informações disponíveis ou se é necessário realizar uma busca externa.
O que a IA agentic pode fazer?
Um agente de IA é como uma entidade que atua controlando e operando outras ferramentas de software. A IA agentic pode ser uma estrutura física, um programa de software ou uma combinação de ambos.
Um agente de IA é um sistema robótico que usa câmeras, sensores e monitores para coletar dados sobre o ambiente. Em seguida, ele analisa essas informações com o software para determinar a próxima etapa. Esse processo é conhecido como fusão de sensores.
No que diz respeito ao software, a IA agentic coleta dados de outras fontes, como APIs, pesquisas online, prompts de texto e bancos de dados para ajudar os agentes a desenvolverem um senso de compreensão e contexto.
Vejamos mais detalhes de algumas das funcionalidades especializadas da IA agentic:
A IA agentic é adaptável e dinâmica
A IA agentic aprende com dados e padrões anteriores. Isso significa que a tecnologia consegue alterar sua estratégia em tempo real com base nas informações novas e variáveis que recebe. Os fluxos de trabalho agentic podem avançar e retroceder, diferente dos fluxos de trabalho tradicionais, que geralmente seguem em uma única direção. Isso permite que a tecnologia corrija erros ao longo do processo. Em outras palavras, a IA agentic prevê necessidades e as reflete no próprio trabalho.
Por exemplo, um veículo autônomo pode usar a IA agentic para melhorar sua capacidade de diferenciar lixo de um animal na pista. À medida que o veículo monitora e analisa o próprio comportamento constantemente, ele consegue melhorar os resultados das suas ações.
A IA agentic gerencia e conclui tarefas com autonomia
A IA agentic também é conhecida como IA autônoma. Isso acontece porque ela consegue se comunicar e colaborar com outros sistemas de IA e infraestruturas digitais, representando usuários humanos ou outros agentes de IA.
Por exemplo, imagine que você informou a um agente de IA que deseja fazer macarrão para o jantar. Ele executará as etapas necessárias para encontrar uma receita, elaborar uma lista de ingredientes e solicitar a entrega desses produtos na sua casa fazendo um pedido em um mercado nas proximidades.
A IA agentic tem capacidade de "encadeamento".
Isso significa que o sistema de IA consegue executar uma sequência de ações para responder a uma solicitação. Por exemplo, se você pedir a um agente de IA para "criar um site", ele seguirá todas as etapas necessárias para concluir essa tarefa. Ou seja, com base em apenas um prompt, o agente de IA consegue criar o código da estrutura, preencher as páginas com conteúdo, desenvolver os elementos visuais e testar a responsividade.
Recursos da Red Hat
Benefícios da IA agentic
A IA agentic é mais útil para tarefas que exigem monitoramento contínuo ou decisões rápidas. Os benefícios da IA agentic incluem:
Maior produtividade: delegar tarefas a um agente de IA permite maior foco em iniciativas que agregam valor a uma empresa. Pense nele como um estagiário que trabalha 24 horas por dia, 7 dias da semana.
Custo reduzido: a IA agentic reduz erros humanos, eliminando o custo associado a ineficiências, supervisões e equívocos.
Decisões embasadas: a IA agentic usa machine learning para filtrar e processar quantidades massivas de dados, mais do que qualquer humano conseguiria. Obter insights a partir de conjuntos maiores de dados de qualidade resulta em previsões e estratégias mais eficazes.
Experiência do usuário aprimorada: tradicionalmente, criar um fluxo de trabalho automatizado exige expertise em engenharia e programação. Com a IA agentic, os usuários podem interagir utilizando linguagem natural, da mesma forma que interagimos com plataformas como o ChatGPT.
Casos de uso da IA agentic
Com essas características únicas, a IA agentic pode ser utilizada para diversos propósitos. Vejamos como a IA agentic poderia ser utilizada em diferentes setores em um ambiente empresarial:
- Operações empresariais: para gerenciar cadeias de suprimentos, otimizar níveis de inventário, prever demandas e fazer o planejamento logístico.
- Saúde: para interagir com clientes, monitorar as necessidades, realizar planos de tratamento e fornecer atendimento personalizado.
- Desenvolvimento de software: para gerar código de depuração automaticamente, gerenciar o ciclo de vida do desenvolvimento e projetar a arquitetura do sistema.
- Operações de software: para operações autônomas de redes e outros serviços ou infraestruturas de TI.
- Cibersegurança: para monitorar tráfego de rede, detectar problemas e responder a ameaças em tempo real.
- Pesquisa: para criar e executar experimentos, analisar dados, formular novas hipóteses e acelerar a inovação, operando com mais agilidade que um humano ou um grupo de pesquisadores.
- Operações financeiras: para analisar tendências do mercado e tomar decisões de negociação, ajustando a estratégia, em tempo real, com base nos fluxos de dados.
O que é um fluxo de trabalho agentic?
A IA agentic nos aproxima da criação de sistemas inteligentes capazes de operar com autonomia, colaborar de maneira eficaz e aprender por meio de suas interações com os dados. A IA agentic funciona por meio de um processo conhecido como fluxo de trabalho agentic.
Um fluxo de trabalho agentic é uma série estruturada de ações gerenciadas e realizadas por agentes de IA. Quando um agente de IA recebe uma meta, ele inicia o fluxo de trabalho dividindo a tarefa em etapas menores e as executa em seguida.
Para isso, um agente se replica, criando um sistema multiagente (multi-agent system, MAS). Nesse fluxo de trabalho, o agente principal (também conhecido como meta-agente, orquestrador ou supervisor) delega tarefas a outros agentes, atribuindo valores e interagindo com a memória em um ciclo de feedback. O comitê de agentes trabalha em paralelo até que a meta geral seja concluída.
Dentro desse MAS, cada agente é estruturado com uma configuração interna que lhe permite operar de forma independente e colaborativa dentro do sistema. Essa colaboração depende de repositórios de memórias compartilhadas, que fornecem contexto sobre o conhecimento, experiências passadas e estados internos de crença dos agentes.
IA agentic e IA generativa
Se a IA generativa prioriza a criação, a IA agentic prioriza a execução. A IA generativa cria novos conteúdos utilizando modelagem preditiva e regressão linear. A IA agentic utiliza sistemas matemáticos para tomar decisões com base em modelagem preditiva, mas vai além ao executar ações em nome do usuário.
A IA generativa cria respostas baseadas nos nossos prompts. A IA agentic se diferencia da IA tradicional por sua capacidade de iniciar ações. Por exemplo, um agente de IA pode criar seus próprios prompts e resultados adicionais com base nas informações às quais tem acesso.
O que é RAG agentic?
A geração aumentada de recuperação (RAG) é um método que permite obter melhores respostas de uma aplicação de IA generativa conectando um LLM (modelo de linguagem de larga escala) a um recurso externo. A RAG agentic incrementa a RAG tradicional, permitindo que o LLM investigue ativamente em vez de apenas recuperar informações.
Embora a RAG possa recuperar respostas e fornecer contexto a partir da documentação e dos conjuntos de dados disponíveis, ela depende de engenharia de prompt manual. A RAG tradicional possui consciência contextual limitada e baseia-se exclusivamente na consulta inicial para recuperar informações relevantes.
A RAG agentic é mais sofisticada e dinâmica. Ela gera perguntas, cria contexto a partir da própria memória e realiza outras tarefas sem precisar de instruções explícitas. Esse avanço em relação à RAG tradicional permite que a RAG agentic tome decisões mais embasadas em nome do usuário, sem depender da sua intervenção manual.
Por exemplo, com a RAG tradicional, você pode pedir a um chatbot que mostre a política de devolução de uma empresa. Com a RAG agentic, ela pode fornecer a política e oferecer a opção de iniciar a devolução. Dessa forma, os agentes de IA podem realizar a logística de preencher o formulário de devolução com o número do seu pedido, verificar suas informações de cartão de crédito para reembolso e concluir a transação por você.
Limitações e considerações sobre a IA agentic
A IA agentic traz a promessa de inovação e velocidade para muitos de nossos sistemas. No entanto, alguns problemas técnicos e éticos ainda precisam ser discutidos. Por exemplo, o que garante que os sistemas agentic estão alinhados aos nossos valores? Quem se responsabiliza quando uma IA agentic comete um erro? Em alguns casos, existem desafios de transparência, porque não temos como ter certeza de como o agente chegou à conclusão que está oferecendo como resultado, dilema conhecido como o problema da “caixa preta”.
Do ponto de vista da privacidade e segurança, é importante tratarmos qualquer modelo de IA que criamos ou usamos com cuidado e consideração, garantindo que a arquitetura seja criada com parâmetros de segurança ativos para proteger o fluxo de dados.
Vale lembrar que a IA agentic exige uma grande quantidade de recursos computacionais, inclusive muita capacidade de processamento e armazenamento. Também é importante considerar o impacto ambiental.
Por fim, como com qualquer tecnologia nova, há uma curva de aprendizado. Implementar e gerenciar fluxos de trabalho agentic com LLMs exige habilidades específicas, especialmente em nível empresarial.
Como a Red Hat pode ajudar
Agentes de IA podem ajudar organizações que estão começando a explorar a IA generativa a identificar benefícios mensuráveis para seus negócios. O Red Hat® AI e nosso ecossistema de parceiros podem ajudar você a desenvolver os frameworks para criar fluxos de trabalho agentic e escalar os agentes de IA.
O Red Hat Enterprise Linux® AI é uma orquestração agentic do InstructLab e pode ser usado para o ajuste fino de LLMs e SLMs usados por fluxos de trabalho agentic.
Com o Red Hat OpenShift® AI, você tem uma plataforma unificada para criar sistemas multiagente. Além disso, o aprendizado adaptativo e raciocínio que os agentes de IA utilizam podem ser controlados por meio dos recursos de MLOps do OpenShift.
Blog da Red Hat
Tudo relacionado à Red Hat: soluções, treinamentos e certificações Red Hat, casos de sucesso de clientes, novidades dos nossos parceiros e notícias sobre projetos das comunidades open source.