Bergabunglah dengan buletin harian dan mingguan kami untuk mendapatkan pembaruan terkini dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari Lebih Lanjut
Kerangka kerja orkestrasi AI yang populer, LlamaIndex, telah memperkenalkan Agent Document Workflow (ADW), sebuah arsitektur baru yang menurut perusahaan melampaui proses pengambilan-augmented generation (RAG) dan meningkatkan produktivitas agen.
Seiring dengan peningkatan kerangka orkestrasi, metode ini dapat menawarkan opsi bagi organisasi untuk meningkatkan kemampuan pengambilan keputusan agen.
LlamaIndex mengatakan ADW dapat membantu agen mengelola “alur kerja kompleks lebih dari sekedar ekstraksi atau pencocokan sederhana.”
Beberapa kerangka kerja agen didasarkan pada sistem RAG, yang memberikan informasi yang dibutuhkan agen untuk menyelesaikan tugas. Namun, metode ini tidak memungkinkan agen mengambil keputusan berdasarkan informasi tersebut.
LlamaIndex memberikan beberapa contoh nyata tentang bagaimana ADW akan bekerja dengan baik. Misalnya, dalam tinjauan kontrak, analis manusia harus mengekstrak informasi penting, melakukan referensi silang terhadap persyaratan peraturan, mengidentifikasi potensi risiko, dan menghasilkan rekomendasi. Saat diterapkan dalam alur kerja tersebut, agen AI idealnya mengikuti pola yang sama dan membuat keputusan berdasarkan dokumen yang mereka baca untuk tinjauan kontrak dan pengetahuan dari dokumen lain.
“ADW mengatasi tantangan ini dengan memperlakukan dokumen sebagai bagian dari proses bisnis yang lebih luas,” kata LlamaIndex dalam sebuah postingan blog. “Sistem ADW dapat mempertahankan status di seluruh langkah, menerapkan aturan bisnis, mengoordinasikan berbagai komponen, dan mengambil tindakan berdasarkan konten dokumen — tidak hanya menganalisisnya.”
LlamaIndex sebelumnya mengatakan bahwa RAG, meskipun merupakan teknik penting, masih primitif, terutama bagi perusahaan yang mencari kemampuan pengambilan keputusan yang lebih kuat menggunakan AI.
Memahami konteks untuk pengambilan keputusan
LlamaIndex telah mengembangkan arsitektur referensi yang menggabungkan kemampuan parsing LlamaCloud dengan agen. Hal ini “membangun sistem yang dapat memahami konteks, mempertahankan status, dan mendorong proses multi-langkah.”
Untuk melakukan hal ini, setiap alur kerja memiliki dokumen yang bertindak sebagai orkestrator. Hal ini dapat mengarahkan agen untuk memanfaatkan LlamaParse untuk mengekstrak informasi dari data, menjaga keadaan konteks dan proses dokumen, kemudian mengambil bahan referensi dari basis pengetahuan lain. Dari sini, agen dapat mulai membuat rekomendasi untuk kasus penggunaan peninjauan kontrak atau keputusan lain yang dapat ditindaklanjuti untuk kasus penggunaan berbeda.
“Dengan mempertahankan status selama proses, agen dapat menangani alur kerja multi-langkah yang kompleks yang lebih dari sekadar ekstraksi atau pencocokan sederhana,” kata perusahaan itu. “Pendekatan ini memungkinkan mereka membangun konteks mendalam tentang dokumen yang mereka proses sambil berkoordinasi antar komponen sistem yang berbeda.”
Kerangka kerja agen yang berbeda
Orkestrasi agen adalah sebuah bidang yang sedang berkembang, dan banyak organisasi masih mengeksplorasi bagaimana agen – atau beberapa agen – bekerja untuk mereka. Pengorganisasian agen dan aplikasi AI mungkin menjadi perbincangan yang lebih besar tahun ini seiring peralihan agen dari sistem tunggal ke ekosistem multi-agen.
Agen AI merupakan perpanjangan dari apa yang ditawarkan RAG, yaitu kemampuan untuk menemukan informasi berdasarkan pengetahuan perusahaan.
Namun seiring dengan semakin banyaknya perusahaan yang mulai menerapkan agen AI, mereka juga ingin agen tersebut melakukan banyak tugas yang dilakukan karyawan manusia. Dan, untuk kasus penggunaan yang lebih rumit ini, RAG “vanilla” tidaklah cukup. Salah satu pendekatan canggih yang dipertimbangkan oleh perusahaan adalah RAG agen, yang memperluas basis pengetahuan agen. Model dapat memutuskan apakah mereka perlu menemukan lebih banyak informasi, alat mana yang akan digunakan untuk mendapatkan informasi tersebut, dan apakah konteks yang diambil relevan, sebelum memberikan hasil.
