Agentes de IA explicados: modelos, flujos de trabajo y sistemas de decisiones

1. Introducción al curso: Hola, soy Dimple Sangui, y tengo más de 25 años de experiencia liderando programas de transformación a gran escala He liderado estos programas en organizaciones de Fortune 500 como Cognizant, HSBC, CAP Gemini, y también he capacitado a miles de profesionales en analítica, IA y lean También he realizado capacitación de liderazgo a nivel global. En esta clase, aprenderás a diseñar agentes de IA efectivos. Usando patrones prácticos como encadenamiento rápido, enrutamiento, evaluadores y orquestadores Estos se basan en principios de diseño de agentes del mundo real. Esta clase es para profesionales y líderes de productos, consultores y profesionales de IA que desean ir más allá las indicaciones y crear flujos de trabajo de IA estructurados y confiables No necesitas codificación avanzada, solo una comprensión básica de cómo funcionan los modelos de lenguaje de gran tamaño. El proyecto de tu clase es diseñar un sistema de agentes de IA que funcione como un diagrama para una tarea real. Mapear el flujo de trabajo, escribir indicaciones y reflexionar sobre sus opciones de diseño He mencionado los detalles en la sección de descripción del proyecto de Skillshare Si quieres entender cómo funciona realmente la IA agéntica en la práctica, esta clase te dará un marco claro y utilizable Empecemos. Te veo en primera clase. 2. Desarrollo de LLM efectivo: Construyendo agentes efectivos. Durante el último año, hemos trabajado con docenas de team building grandes modelos lingüísticos, agentes en todas las industrias. Consistentemente, las implementaciones más exitosas no fueron el uso de marcos complejos o bibliotecas especializadas. En cambio, estaban construyendo con simples patrones componibles ¿Qué son los agentes? Los agentes se definen de varias maneras. Algunos clientes definen a los agentes como sistema completamente autónomo que opera forma independiente durante períodos prolongados utilizando diversas herramientas para realizar tareas complejas. Otros usan el término que describe implementación más prescriptiva que sigue flujos de trabajo predefinidos En antrópico, categorizamos todas estas variaciones como sistema agéntico, pero trazamos una importante distinción arquitectónica entre flujos Los flujos de trabajo son sistemas donde las LLM y las herramientas se orquestan a través de rutas de código predefinidas Los agentes, por otro lado, son sistemas donde LLM dirige dinámicamente su propio proceso, herramientas, usos manteniendo el control Cuándo y cuándo no usar agentes. Al construir aplicaciones con LLM, recomendamos encontrar la solución más simple posible Solo aumenta la complejidad cuando es necesario. Esto podría significar no construir sistema agéntico en absoluto. Los sistemas agénticos a menudo negocian latencia, costo de un mejor rendimiento de la tarea Y debes considerar cuando este intercambio tenga sentido. Cuando se justifica más complejidad , los flujos de trabajo ofrecen previsibilidad consistencia para tareas bien definidas, mientras que los agentes son mejores opciones cuando se necesita flexibilidad y toma de decisiones basada en modelos a escala Para muchas aplicaciones, sin embargo, optimización de llamadas LLM individuales con recuperación en el ejemplo de contexto suele ser suficiente Hay muchos frameworks cuando se utiliza el sistema Augentic, más fácil de implementar el gráfico Lang de la cadena Lang Marco de agente de IA fundamental de Amazon, revertir un generador de flujo de trabajo GIM de arrastrar y soltar, Valm otro creador de GUI para crear pruebas de flujo Valm otro creador de GUI para crear Estos marcos facilitan el inicio y facilitan la simplificación de las tareas estándar de bajo nivel, como llamar a LM, definir, alabar, encadenar llamadas juntas Sin embargo, a menudo crean una capa adicional de abstracción que solo observa el prompt y las respuestas subyacentes mientras las hace más difíciles de depurar Pueden hacer que sea tentador agregar complejidad cuando una configuración más simple sería suficiente 3. Proceso de encadenamiento por instrucciones: Y echemos un vistazo más de cerca a un flujo de trabajo de encadenamiento rápido Muchos de ustedes han liderado proyectos de transformación complejos donde el riesgo no está en la visión grande, está en la ejecución y asegurando que se siga la disciplina. Lo mismo sucede cierto. Entonces, el encadenamiento rápido no se trata solo de pasar datos de una llamada de IA a otra Se trata de incrustar puertas de control entre cada escalón. Y cuando se incrustaría controles de riesgo de verificación de cumplimiento y auditorías de calidad en el proceso de negocio, la primera llamada LLM crea un borrador de salida Este borrador no fluye automáticamente hacia adelante. Se valida. Si pasa, el flujo de trabajo continúa. Si falla, el sistema sale o se intensifica. Así es como evitamos los errores de composición. Para los ejecutivos, key insight is chain nos permite tratar la IA como un proceso gestionado, no como una caja negra. Cada etapa se puede ajustar ya sea extrayendo datos, aplicando reglas de cumplimiento o produciendo comunicación orientada al cliente. Este diseño hace que la IA sea predecible, auditable y más aceptable para reguladores y placas Para conectarlo a tu mundo, piensa en las operaciones de los proveedores de atención médica. Una IA extrae información del paciente. El portón asegura que se sigan las reglas de la HIPA. La segunda IA prepara el resumen del tratamiento. El git valida la codificación médica. Sólo entonces se genera un nodo de alta para el paciente. Cada punto de control garantiza precisión, cumplimiento y confianza. Es por ello que el encadenamiento rápido es una base crítica. Convierte la experimentación en confiabilidad de grado empresarial. ¿Cómo vemos el flujo de trabajo de encadenamiento rápido? Piense en ello como una línea de montaje. En lugar de pedirle a la IA que haga las cosas a la vez, rompes el trabajo por etapas. Cada etapa es manejada por una llamada AI separada, y la salida de una etapa se convierte en la entrada para la siguiente. Observe el amargo de la puerta. Ese es el punto de control de calidad. Si la salida de IA en una etapa no pasa la validación, el proceso se detiene o retrocede. Si pasa, fluye hacia adelante. Las tareas complejas se vuelven manejables con un flujo de trabajo de encadenamiento rápido Al igual que en Sigma, no solo lo resuelves todo en un solo paso, lo desglosas. El control de calidad está incorporado. En lugar de confiar en una llamada de IA, validas antes de seguir adelante Contención de errores. Si algo falla, lo coges temprano sin contaminar la salida final Pensemos por un ejemplo a partir de la liquidación de reclamos, paso uno, AI lee y digitaliza el documento de reclamo La puerta verifica si todos los campos requeridos están presentes. La IA prepara la puntuación de riesgo para su liquidación. AI extrae los datos financieros del solicitante. La marcha comprueba la regla de cumplimiento como falta de información AIC En el paso tres, la IA redacta la evaluación de elegibilidad del préstamo Paso uno, AI crea una respuesta. Paso dos, la puerta verifica el tono, el lenguaje de cumplimiento y las reglas de SLA. Paso tres, AI finaliza el mensaje para la entrega al cliente Piense en ello como una seguridad aeroportuaria. No vas directo del check in al abordaje. Pasas por puertas, cheques de equipaje, escaneo de seguridad, cheque de tarjeta de embarque. Cada puerta asegura que la siguiente etapa esté limpia. El encadenamiento rápido es la versión de IA del proceso de control de calidad por etapas Ahora que hemos visto cómo el encadenamiento crea confiabilidad, pasaremos al siguiente y más avanzado flujo de trabajo, agente autónomo donde la IA comienza a automejorarse en entorno real Piense en ello como una carrera de relevos. Se verifica una salida de IA en la puerta y solo si pasa pasa al siguiente paso de IA. Si falla, sale temprano. Esto hace que el proceso sea más seguro y confiable. Reclamación de motor. Un cliente sube los detalles del accidente en las fotografías El LLM, hace la comprobación del documento. AI extrae los detalles de la póliza y la descripción del accidente. La puerta hace la verificación de cumplimiento. ¿La IA extrajo todos los campos requeridos si la fecha del accidente está dentro de la póliza validada? Si pasa, pasa al siguiente paso. Si falla, sale o marca a una revisión manual. La llamada LLM dos verifica la estimación de daños. AI elabora las estimaciones de costos utilizando las pautas de reparación. LLM tres redacta el reclamo final. Crea el resumen de liquidación para el ajustador. Solo avanzan las reclamaciones válidas que cumplen con la póliza, ahorrando tiempo y reduciendo el fraude. Ahora tomemos un ejemplo de servicio al cliente. Un cliente VIP se queja, mi solicitud de préstamo está atascada por diez días LLM one clasifica la IA identifica la consulta como una escalada VIP sobre hipoteca. La comprobación de SLA ocurre en la puerta. ¿Cumple con criterios de escalada de 15 minutos? Si pasa, procede. Si falla, le da una alerta al gerente. LLM dos, redactaremos la nota de escalada para soporte de nivel dos LLM tres creará una respuesta del cliente, un correo electrónico personalizado para el cliente, y la salida es el caso correcto se escalan rápidamente, evitando incumplimientos de SLA y 4. El tiempo del flujo de trabajo del enrutamiento: Ahora entendamos un flujo de trabajo de enrutamiento. El motor detrás de muchos sistemas de IA augentic. Tiene una entrada, tiene un enrutador LM y hay tres llamadas LLM diferentes Entonces, cómo funciona, el insumo viene, digamos, una consulta de cliente, un formulario de reclamo o una solicitud de préstamo. El sistema simplemente no lo envía ciegamente a un modelo único. En cambio, primero pasa por un enrutador de llamadas LLM. El enrutador decide qué modelo de IA es el más adecuado para esta tarea. A partir de esto, la solicitud se puede encaminar uno de varios modelos especializados LLM call one podría manejar clasificación de resumen estructurado Para manejar el razonamiento, análisis pesados como la detección de fraude y la puntuación de riesgo. Los tres podrían manejar tareas creativas de comunicación como redactar la respuesta del cliente. Por último, el mejor resultado se desvía como salida. Para ustedes, como líderes de transformación, la comida para llevar no es la flecha en las listas. Es la ventaja del negocio. En el servicio del proveedor de atención médica, el enrutador enviaría documentación médica a un modelo capacitado en lenguaje clínico mientras enrutaba los datos de facturación a un modelo centrado en el cumplimiento. En un accidente automovilístico de procesamiento de siniestros, fotos se enviarán a un modelo de visión para la estimación de daños, mientras que el texto de la póliza iría a un modelo de idioma para la verificación de elegibilidad. En un servicio al cliente, preguntas frecuentes rápidas se enrutarían al modelo ligero para la velocidad, mientras que la escalada VIP sensible irá a un modelo que está sintonizado para Este flujo de trabajo es importante porque evita un enfoque de talla única. En cambio, asegura que se use el modelo correcto para el trabajo correcto, al igual que la forma en que no asignaría todas las tareas su organización al mismo departamento. El enrutamiento es una capa de gobierno para el flujo de trabajo de IA. Los hace eficientes, precisos y listos para el negocio. Ahora que entendemos el enrutamiento, queremos ver cómo múltiples agentes de IA pueden trabajar juntos, coordinarse a través de diferentes pasos en un proceso en lugar de actuar de forma aislada. Piense en ello como un controlador de tráfico. El sistema decide qué carril es mejor para la solicitud entrante en lugar tratar cada solicitud de la misma manera. Reclamación tramitando un reclamo de seguro de cliente Pfizer Motors. El enrutador LLM decide qué modelo de IA especializado podría manejarlo. Si se trata de un reclamo de riesgo de fraude, el enrutador, lo enrutará al modelo de detección de fraude. Si se trata de un reclamo estándar de bajo valor, vítelo a la automatización en lugar de a la liquidación. Si se trata de un reclamo médico complejo, encaminado al modelo de cumplimiento, cada reclamo toma el camino correcto, reduciendo la clasificación manual y los errores Perdí mi tarjeta de crédito. El enrutador LLM lo enruta a la IA correcta, IA seguridad para bloquear la tarjeta de inmediato FAI explica cómo pedir un reemplazo. Una IA de escalada te conecta con la mesa de fraude si se detecta actividad inusual cliente obtiene la resolución correcta en lugar de rebotar entre los agentes Hazme una cita y envíame los resultados del laboratorio. El enrutador LLM dividirá la tarea. Programación de IA, reserva la cita con el médico. WiCodeI recupera los resultados del laboratorio IA de facturación verifica la elegibilidad y la cobertura del seguro paciente obtiene todas las tareas completadas a través una interacción enrutada a través de la IA correcta cada vez El enrutamiento se trata de eficiencia y precisión en lugar de obligar a un sistema a hacer todo. Dirige el flujo de trabajo correcto a la IA correcta al igual que lo hace el proceso lean. Reduce la reelaboración, clasificación errónea y acelera la resolución 5. La paralelización: Ahora vamos a un flujo de trabajo de paralelización. En el último modelo, vimos cómo el enrutamiento envía tarea al mejor modelo. Aquí veremos un patrón diferente, paralelización del flujo de trabajo Aquí, en lugar de elegir una ruta, la entrada se envía a múltiples modelos al mismo tiempo. Cada modelo aporta una pieza al rompecabezas. Entonces el agregador combina el resultado en una salida final Piense en esto como correr múltiples equipos en paralelo para resolver el mismo problema de forma rápida y exhaustiva. ¿Por qué importa esto? Porque algún problema de negocio se beneficia de la velocidad y diversidad de respuestas. Entendimos que la paralización está ejecutando múltiples llamadas LLM, y luego el agregador la resume Entonces digamos que el paciente tiene fiebre, tos, antecedentes de viajes recientes y alérgico a los antibióticos. El LLM recupera EHR del paciente por padecimientos pasados. LLM dos verifica la pauta para enfermedades infecciosas. LLM tres banderas medicamentos de riesgo de alergia. El agregador luego se fusiona en una sugerencia de tratamiento seguro para el médico El médico obtiene un solo informe de asesoría no una visión fragmentada paralelización se trata de velocidad y comprensión en lugar de esperar a que termine un sistema antes de que comience el siguiente, una IA múltiple se ejecuta en paralelo y Es como ejecutar múltiples equipos de especialistas en paralelo durante la reducción de costos de transformación lean. Observamos el enrutamiento cuando el sistema decide qué modelo usar. Paralezación cuando múltiples modelos funcionan al mismo tiempo. 6. La orquestación y el enrutamiento: Observamos el enrutamiento cuando el sistema decide qué modelo usar, parleización cuando múltiples modelos funcionan al mismo tiempo Aquí estamos hablando de orquestación. Cómo va primero la entrada a la orquesta. Piense en esto como un gerente de proyecto que luego está asignando trabajo a diferentes agentes de IA La orquesta decide qué tarea debe hacerse primero y qué modelo debe realizarla. Cada modelo como LLM uno, dos, tres, aborda diferentes partes del trabajo Pero en lugar de trabajar de manera aislada, se coordinan como equipo multifuncional en tu transformación. Finalmente, un sintetizador vuelve a unir todo en una sola salida cohent. El valor del negocio es poderoso. Las notas de los pacientes deben dividirse en interpretación clínica, código de facturación, mapeo y verificación de cumplimiento y luego sintetizarse en un informe de alta completo. Pensemos en el reclamo del motor. Un modelo revisa el documento, el otro comprueba el fraude. El tercer borrador de la comunicación con el cliente. Este sintetizador luego los combina en un paquete de decisión de reclamo listo para usar Et piensa en el negocio hipotecario. Desea que la verificación de ingresos, la puntuación de riesgos, las verificaciones de cumplimiento regulatorio ocurran en secuencia y se orquesten y sintetizen en un solo resumen de aprobación de préstamo Una caída de nota de prensa podría ser verificada por un modelo adaptado en diferentes mercados por otro y estilo por canal social del tercero. Luego se sintetiza en paquete multicanal. La orquestación se trata de coordinar. No se trata de cómputos. Refleja la forma en que los líderes de transformación ya ejecutan programas funcionales. 7. Gracias por tu tiempo: Antes de que terminemos, quiero compartir un poco más sobre mí y cómo puedes mantenerte conectado. Tengo muchas ganas de compartir mis dos décadas de experiencia con todos ustedes. Y la experiencia en la que he ayudado a líderes y equipos a navegar a gran escala en proyectos de transformación comercial, digital y artificial digital y artificial en India, EE. UU., Reino Unido, Australia y Medio Oriente. el camino, he capacitado a miles de profesionales en analítica de datos, Lean Sig Sigma, inteligencia artificial, ingeniería rápida y gestión del cambio, capacitación en liderazgo, tanto como programas corporativos como comunidades de aprendizaje abierto Si estás viendo esto como un aprendiz individual, me encantaría que te mantuvieras conectado Encontrarás enlaces para unirte a mi grupo de Whatsapp o comunidad de telegrama donde continuamente estaría publicando sobre diferentes oportunidades. Regularmente comparto algunas ideas prácticas, recursos de aprendizaje y actualizaciones sobre análisis y transformación de IA. También comparto algunos estudios de caso sobre liderazgo. Si estás aquí como gerente, consultor o líder de aprendizaje y desarrollo, y estás interesado en el diseño personalizado, capacitación corporativa en IA agéntica, ingeniería rápida, análisis de datos o programa de transformación, no dudes en comunicarte conmigo Trabajo en estrecha colaboración con organizaciones para diseñar programas hechos a la medida, que sean prácticos, contextuales y enfocados en los negocios. Estoy dejando el enlace a Linden en la sección de discusión. Gracias por aprender conmigo. Espero que esta clase te ayude a diseñar un sistema de IA más pensativo, y espero estar conectado contigo Gracias por su tiempo. Feliz aprendizaje.