LlamaIndex va au-delà de RAG afin que les agents puissent prendre des décisions complexes

Cadre d’orchestration d’IA populaire Index d’appel a introduit Agent Document Workflow (ADW), une nouvelle architecture qui, selon la société, va au-delà des processus de génération augmentée de récupération (RAG) et augmente la productivité des agents.

À mesure que les cadres d’orchestration continuent de s’améliorer, cette méthode pourrait offrir aux organisations la possibilité d’améliorer les capacités de prise de décision des agents.

LlamaIndex affirme qu’ADW peut aider les agents à gérer « des flux de travail complexes au-delà de la simple extraction ou comparaison ».

Certains frameworks d’agents sont basés sur des systèmes RAG, qui fournissent aux agents les informations dont ils ont besoin pour accomplir leurs tâches. Cependant, cette méthode ne permet pas aux agents de prendre des décisions basées sur ces informations.

LlamaIndex a donné quelques exemples concrets de la façon dont ADW fonctionnerait bien. Par exemple, lors des revues de contrats, les analystes humains doivent extraire des informations clés, croiser les exigences réglementaires, identifier les risques potentiels et générer des recommandations. Lorsqu’ils sont mis en œuvre dans ce flux de travail, les agents d’IA suivraient idéalement le même modèle et prendraient des décisions basées sur les documents qu’ils lisent pour examiner le contrat et connaître d’autres documents.

“ADW relève ces défis en traitant les documents dans le cadre de processus métier plus larges”, a déclaré LlamaIndex dans un communiqué. article de blog. “Un système ADW peut maintenir l’état à toutes les étapes, appliquer des règles métier, coordonner différents composants et prendre des mesures en fonction du contenu du document, et pas seulement l’analyser.”

LlamaIndex a déjà déclaré que RAG, bien qu’il s’agisse d’une technique importante, reste primitive, en particulier pour les entreprises qui recherchent de plus fortes capacités de prise de décision grâce à l’IA.

Comprendre le contexte de la prise de décision.

LlamaIndex a développé des architectures de référence en combinant ses capacités d’analyse LlamaCloud avec des agents. “Créez des systèmes capables de comprendre le contexte, de maintenir l’état et de piloter des processus en plusieurs étapes.”

Pour ce faire, chaque workflow dispose d’un document qui fait office d’orchestrateur. Vous pouvez demander aux agents d’utiliser LlamaParse pour extraire des informations des données, maintenir l’état du contexte et du processus du document, puis récupérer des documents de référence à partir d’une autre base de connaissances. À partir de là, les agents peuvent commencer à générer des recommandations pour le cas d’utilisation de la révision du contrat ou d’autres décisions exploitables pour différents cas d’utilisation.

“En conservant l’état tout au long du processus, les agents peuvent gérer des flux de travail complexes en plusieurs étapes qui vont au-delà de la simple extraction ou comparaison”, a déclaré la société. “Cette approche leur permet de créer un contexte approfondi sur les documents qu’ils traitent tout en coordonnant les différents composants du système.”

Différents frameworks d’agents

L’orchestration d’agents est un espace émergent et de nombreuses organisations explorent encore la façon dont les agents (ou plusieurs agents) travaillent pour eux. L’orchestration des agents et des applications d’IA pourrait devenir un sujet de discussion plus important cette année, à mesure que les agents passeront de systèmes uniques à des écosystèmes multi-agents.

Les agents IA sont une extension de ce que propose RAG, c’est-à-dire la capacité de trouver des informations basées sur des connaissances métier.

Mais à mesure que de plus en plus d’entreprises commencent à déployer des agents IA, elles souhaitent également qu’ils effectuent de nombreuses tâches effectuées par les employés humains. Et, pour ces cas d’utilisation plus compliqués, le RAG « vanille » ne suffit pas. L’une des approches avancées envisagées par les entreprises est l’agent RAG, qui élargit la base de connaissances des agents. Les modèles peuvent décider s’ils ont besoin de trouver plus d’informations, quel outil utiliser pour obtenir ces informations et si le contexte qu’ils viennent d’obtenir est pertinent, avant de renvoyer un résultat.