SageMaker ir AgentCore: agentiniai darbai keliauja į gamybą
·
agentiniai darbai šiandien nėra teorinė tema. AWS aprašo, kaip SageMaker AI ir Bedrock AgentCore naudojami agentiniams darbo srautams kurti ir valdyti.
Ir čia verta sustoti.
Nes daug komandų su DI vis dar elgiasi kaip su nauju žaislu. Paleidžiam, pažiūrim, pasidžiaugiam. Tada kažkas paklausia apie saugumą, kainą, atsakomybę arba rezultatą – ir kambaryje pasidaro tylu.
KAS ĮVYKO?
AWS Machine Learning tinklaraštyje paskelbė naują praktinį įrašą apie šią sritį. Tai nėra vartotojiškas „paspausk mygtuką“ tekstas. Čia kalbama apie darbą, kuris vyksta tada, kai DI turi veikti įmonėje: su sistemomis, su leidimais, su duomenimis, su žmonėmis, kurie nenori po mėnesio gaudyti klaidų.
Pamoka paprasta: agentas neturi gyventi kaip chaotiškas demo. Jam reikia aplinkos, stebėjimo, leidimų ir aiškaus darbo srauto.
Man tai labai primena sportą. Visi nori rezultato varžybų dieną, bet niekas nenori šildytis, sekti pulsą ir kartoti bazinių pratimų. O paskui stebisi, kodėl kūnas subyrėjo trečiame kilometre.
KODĖL TAI AKTUALU VERSLUI?
DI agentai jau nebėra tik pokalbių langas. Jie jungiasi prie naršyklių, vidinių sistemų, dokumentų, debesijos paslaugų, stebėjimo įrankių ir sprendimų grandinių. Kuo daugiau jie gali padaryti, tuo mažiau galima palikti „kaip nors“.
Jeigu agentas tik parašo santrauką, rizika viena. Jeigu jis naršo seną sistemą, tikrina dokumentus, ruošia sprendimą ar inicijuoja kitą veiksmą, rizika jau kita. Ten reikia ne gražaus prompto, o darbo tvarkos.
Čia ir prasideda rimtas skirtumas tarp DI bandymo ir DI diegimo.
KAIP TAI PRITAIKYTI PRAKTIŠKAI?
Pirmas žingsnis – išsirinkti vieną konkretų procesą. Ne „įsidiekime DI visur“. Vieną. Tokį, kur aišku, kas įeina, kas išeina, kas tikrina ir kiek laiko dabar sudega rankomis.
Antras – apsirašyti ribas. Ką agentas gali daryti pats? Kur būtinas žmogaus patvirtinimas? Kokius duomenis jis gali matyti? Ką reikia loginti? Kur stabdis, jei kaina ar veiksmai pradeda važiuoti ne ten?
Trečias – matuoti. Sutaupytos valandos, klaidų sumažėjimas, greitesnis sprendimas, mažiau rankinio darbo. Jeigu nėra matavimo, turėsi tik gražią istoriją susirinkimui.
KUR ČIA KABLIUKAS?
Didžiausia klaida – manyti, kad DI agentas pats išspręs blogą procesą. Neišspręs. Jis tik greičiau parodys, kur procesas skylėtas.
Jeigu dokumentai netvarkingi, leidimai neaiškūs, atsakomybė išplaukusi, o duomenys gyvena penkiose vietose, agentas nebus stebuklas. Jis bus didintuvas.
Ir kartais tas didintuvas labai naudingas. Nes pagaliau pamatai, ką reikia sutvarkyti.
FAQ
Ar agentiniai darbai aktualu mažoms įmonėms?
Taip, jei įmonėje yra pasikartojančių procesų, dokumentų, vidinių sistemų ar rankinio tikrinimo. Pradėti galima nuo mažo scenarijaus.
Ar tam reikia programuotojų komandos?
Sudėtingesniems diegimams – taip. Bet pirmą procesų žemėlapį ir rizikų sąrašą gali pasidaryti ir verslo komanda.
Kokia didžiausia rizika?
Paleisti agentą be aiškių leidimų, stebėjimo ir žmogaus patvirtinimo ten, kur sprendimas gali kainuoti pinigus ar reputaciją.
Šaltinis: AWS Machine Learning Blog.
Jei nori pradėti ne nuo chaotiško DI eksperimento, o nuo aiškaus darbo srauto, MasterSprint padeda susidėti pagrindus praktiškai.
