AI Agents 101: Overview
Uma visão geral sobre agentes de IA, suas particularidades e quando utilizá-los.
Meu nome é Igor Cleto, e obrigado por visitar meu canal.
Neste espaço compartilho o que venho aprendendo a respeito de Dados e Tecnologia de maneira acessível e em português.
Ainda não é inscrito? Inscreva-se no botão abaixo!
O que são agentes de IA?
Enquanto softwares convencionais permitem que os usuários otimizem e automatizem workflows (ou fluxos de trabalho em português), agentes são capazes de executar os mesmos fluxos em nome dos usuários com um alto grau de independência.
Um fluxo de trabalho é uma sequência de etapas que devem ser executadas para atingir o objetivo do usuário, seja resolver um problema de atendimento ao cliente, fazer uma reserva em restaurante, aplicar uma mudança de código ou gerar um relatório.
"Agentes representam sistemas que realizam tarefas de forma inteligente, variando desde a execução de fluxos de trabalho simples até a busca por objetivos complexos e abertos."
Aplicações que integram LLMs, Large Language Models (Modelos de Linguagem de Grande Escala), mas não os utilizam para controlar a execução do fluxo de trabalho — como chatbots simples, LLMs de turno único ou classificadores de sentimento — não são agentes.
Mais concretamente, um agente possui características centrais que permitem que ele atue de forma confiável e consistente em nome de um usuário:
01
Ele utiliza um LLM para gerenciar a execução do fluxo de trabalho e tomar decisões. Reconhece quando um fluxo está completo e pode corrigir suas ações de forma proativa, se necessário. Em caso de falha, pode interromper a execução e devolver o controle ao usuário.
02
Tem acesso a diversas ferramentas para interagir com sistemas externos — tanto para coletar contexto quanto para tomar ações — e seleciona dinamicamente as ferramentas apropriadas, dependendo do estado atual do fluxo de trabalho, sempre operando dentro de limites claramente definidos.
Quando você deve construir um agente de IA?
Criar agentes exige mudar a forma como pensamos os sistemas que tomam decisões e lidam com situações difíceis.
Diferente da automação tradicional, os agentes são ideais para tarefas em que regras fixas e lógicas simples não funcionam bem.
Pense no exemplo da análise de fraudes em pagamentos. Um sistema tradicional usa uma lista de regras e marca as transações que não seguem essas regras. Já um agente com inteligência artificial funciona como um investigador experiente: ele analisa o contexto, percebe padrões mais sutis e consegue identificar fraudes mesmo quando nenhuma regra foi quebrada diretamente.
Essa habilidade de entender situações complexas é o que torna os agentes tão eficientes em tarefas difíceis e confusas.
01. Tomada de decisão complexa:
Fluxos de trabalho que exigem julgamentos mais sutis, exceções ou decisões que dependem do contexto.
Exemplo: aprovação de reembolso em processos de atendimento ao cliente.
02. Regras difíceis de manter:
Sistemas que ficaram complicados por causa de muitas regras detalhadas, o que torna atualizações caras ou propensas a erros.
Exemplo: revisão de segurança de fornecedores.
03. Forte dependência de dados não estruturados:
Cenários que envolvem interpretar linguagem natural, entender documentos ou conversar com usuários.
Exemplo: análise de pedidos de seguros.
Antes de decidir criar um agente, verifique se o seu caso de uso realmente se encaixa nesses critérios.
Caso contrário, uma solução com regras fixas pode ser suficiente.
Referências e leituras sobre este tema
Antes de você ir embora
Se quiser discutir mais sobre isso, fique à vontade para deixar um comentário ou entrar em contato comigo pelo LinkedIn.