E se a Inteligência Artificial (IA) pudesse fazer mais do que apenas esperar pelas nossas instruções – e se pudesse tomar a iniciativa, tomar as suas próprias decisões e aprender com a experiência?

Esta é a promessa do Agentic AI: sistemas autónomos capazes de atingir objetivos específicos sem a necessidade de intervenção humana constante. Ao contrário dos Large Language Models (LLMs) tradicionais, que dependem apenas dos seus dados de treino para gerar resultados, os Agentics AI utilizam ativamente ferramentas externas, como APIs, pesquisas na web, bases de dados e outros agentes (Gutowska, 2024). Assim, aos AI agents podem aceder a informações em tempo real, planear ações de forma eficaz e fornecer resultados adaptados a tarefas e objetivos complexos.

História dos AI agents                                                                                                 

A história dos agentic systems remonta às décadas de 1950 e 1960, quando pioneiros da IA, como Alan Turing e John McCarthy, lançaram as bases para máquinas capazes de simular comportamentos inteligentes. Os primeiros AI Agents eram sistemas simples baseados em regras, como o ELIZA (1966), que simulava conversas humanas através da correspondência de padrões. Nas décadas de 1970 e 1980, a IA evoluiu para agentes de tomada de decisão, como o MYCIN, um sistema especializado em diagnósticos médicos. Nos anos 90, surgiu uma tendência para agentes de aprendizagem, com sistemas como o TD-Gammon a recorrer à aprendizagem por reforço para dominar jogos. Nos anos 2000, os agentes inteligentes como o AlphaGo demonstraram a capacidade de operar em ambientes dinâmicos através de deep learning.

Atualmente,  AI agent impulsiona a inovação em áreas como a saúde, os carros autónomos e a robótica, conduzindo-nos para um futuro com sistemas totalmente autónomos. (Deep Mind Systems, 2024).

Características dos AI agents

Para enfrentar tarefas complexas, aos AI agents utilizam uma combinação de raciocínio, interação com ferramentas e memória, permitindo-lhes aperfeiçoar continuamente as suas respostas.

Capacidades:

Guiadas por objetivos definidos pelos humanos, os AI Agentics são simultaneamente reativos e proativos, abrindo caminho para soluções técnicas mais dinâmicas e inteligentes (Forbes, 2024).

Exemplo

Para compreender melhor o funcionamento dos AI Agents, consideremos um AI Agent responsável por ajudar um utilizador a decidir a melhor altura para visitar um determinado museu em Paris. O agente deve determinar quando o museu terá menos afluência de visitantes.

Embora um modelo de Large Language Model (LLM) por si só possa não ter acesso a dados sobre a lotação dos museus, o agente pode consultar uma API pública com dados históricos de visitantes e identificar os períodos de menor tráfego. Além disso, o agente pode comunicar com outro agente especializado em turismo para verificar quando há menos eventos importantes a acontecer na cidade.

Combinando estas informações, o agente consegue determinar a melhor semana para a visita e sugeri-la ao utilizador.

Tipos de Agentes

Com base na complexidade da tarefa proposta, os AI Agents podem ser concebidaos com diferentes níveis de capacidade. Enquanto agentes mais simples são ideais para objetivos diretos, agentes mais sofisticados são necessários para enfrentar desafios mais complexos e dinâmicos. Do mais simples ao mais avançado, os principais tipos de agentes são os seguintes (Petrova-Dimitrova, 2022; Gutowska, 2024; AWS, 2024):

Agentes de reflexo simples: São o tipo mais básico de AI Agents, adequado para tarefas específicas com regras predefinidas. Não possuem memória, nem capacidades avançadas de raciocínio, limitando-se a executar ações pré-programadas como um reflexo. Por exemplo, um termóstato que ajusta a temperatura com base num limite definido é um agente de reflexo simples.

Agentes baseados em modelos: Semelhantes aos agentes de reflexo simples, mas com memória para manter um modelo interno do mundo. Podem utilizar informações armazenadas, os seus reflexos e o estado atual para tomar decisões. Por exemplo, um aspirador robô deteta obstáculos como móveis, navega à sua volta e armazena um mapa das áreas já limpas.

Agentes baseados em objetivos: Têm um modelo interno do ambiente e são concebidos para alcançar objetivos específicos e complexos. Avaliam diferentes resultados possíveis, planeiam sequências de ações e escolhem sempre o caminho ideal. Por exemplo, um sistema de navegação que analisa várias rotas para encontrar o trajeto mais rápido até ao destino.

Agentes baseados na utilidade: Ao contrário dos agentes baseados em objetivos, que se focam apenas em alcançar uma meta específica, os agentes baseados na utilidade utilizam uma função de utilidade para comparar e avaliar diferentes opções. Esta função ajuda a medir o sucesso e a tomar decisões mais eficazes, especialmente em situações de incerteza. Por exemplo, um agente que pesquisa voos e otimiza tanto o tempo de viagem como o preço do bilhete.

Agentes de aprendizages: Projetados para melhorar ao longo do tempo, aprendendo com a experiência e ajustando-se a novas situações. Além de possuírem as mesmas capacidades dos outros agentes (podendo ser baseados em objetivos ou utilidade), distinguem-se pelo uso contínuo de mecanismos de feedback e aprendizagem por reforço. Além disso, incluem um gerador de problemas que cria e sugere novas tarefas, promovendo a inovação e a adaptação contínua. Por exemplo, um agente de recomendação numa plataforma de streaming que sugere filmes com base no histórico de visualização do utilizador e adapta as recomendações à medida que recebe novos dados.

Sistemas Multi-Agents

Além dos tipos de agentes mencionados, algumas tarefas altamente complexas requerem a colaboração de múltiplos AI agents. Os sistemas multi-agent consistem em diversos agentes especializados, cada um responsável por uma parte distinta da tarefa, trabalhando em conjunto para atingir um objetivo comum.

Nestes sistemas, os agentes interagem num ambiente partilhado, considerando os objetivos, memórias e planos de ação uns dos outros. A comunicação pode ocorrer de forma direta ou indiretamente, modificando o ambiente em que operam.

Além disso, ao contrário dos agentes únicos, que se tornam mais difíceis de gerir e escalar à medida que a sua complexidade aumenta, os sistemas multi-agent proporcionam uma alternativa mais eficiente. Os agentes únicos enfrentam, frequentemente, alguns  desafios como a gestão de um grande número de ferramentas, o que pode resultar em decisões inadequadas sobre qual a ferramenta a usar. Além disso, à medida que as tarefas se tornam mais complexas, um único agente pode ter dificuldade em  acompanhar e gerir muitas áreas de especialização, tais como planeamento, investigação ou resolução de problemas matemáticos, levando à ineficiência e ao desempenho limitado.

Em contraste, o projeto descentralizado de sistemas multi-agent oferece vantagens significativas em precisão, adaptabilidade e escalabilidade. Estes sistemas superam os sistemas de agente único, pois distribuem o trabalho entre agentes especializados e usam um conjunto partilhado de recursos. Além disso, em vez de vários agentes aprenderem as mesmas políticas de forma redundante, os sistemas multi-agent podem trocar experiências aprendidas, economizando tempo e aumentando a eficiência e a produtividade geral. Este método também permite que os agentes ou componentes adicionais sejam incorporados sem problemas, evitando os problemas de integração que os sistemas tradicionais frequentemente enfrentam.

Em sistemas multi-agent, os agentes podem conectar-se através de vários métodos. Estas conexões permitem a comunicação e coordenação entre os agentes, impactando na eficiência e escalabilidade do sistema. A imagem a seguir mostra alguns tipos de arquitetura comumente utilizadas (LangGraph):

Benefícios e limitações

Os agentic systems, sejam eles individuais ou multi-agent, representam uma grande evolução em relação aos modelos tradicionais de IA, como os LLMs. Enquanto os LLMs são excelentes na produção de respostas a partir de dados de treino estáticos, eles carecem da capacidade dinâmica e colaborativa dos agentic systems.

Como vimos anteriormente, estas inovações trazem benefícios significativos em diversas indústrias, melhorando a eficiência, a adaptabilidade e a tomada de decisões (Forbes, 2024):

• Uma vantagem significativa é a autonomia, uma vez que estes sistemas podem completar tarefas sozinhos, eliminando a necessidade de supervisão humana constante. Isto permite reações mais rápidas em ambientes essenciais como cuidados de saúde e carros autónomos.
• Outra vantagem é a adaptabilidade – os agentic systems podem aprender com as suas experiências, melhorar o seu desempenho ao longo do tempo, utilizando técnicas como a aprendizagem por reforço, e fornecer experiências e soluções altamente personalizadas.
• São também particularmente bem sucedidos na resolução de problemas complicados devido à sua capacidade de analisar diversas bases de dados, descobrir tendências e fazer julgamentos em tempo real.

Isto permite que as empresas simplifiquem processos e explorem novas oportunidades de automação e tomadas de decisão inteligente.

Contudo, apesar das vantagens, ainda apresentam algumas limitações (Forbes, 2024):

• Por exemplo, a confiança e a transparência são grandes desafios, uma vez que estes sistemas tomam decisões independentes e os utilizadores podem ter dificuldade em compreender o seu raciocínio.
• Outra restrição é a confiabilidade em condições desconhecidas, pois mesmo sistemas bem treinados podem falhar quando confrontados com situações nunca antes vistas.
• Além disso, existem preocupações éticas e de segurança, especialmente em domínios importantes como os cuidados de saúde e a condução autónoma, onde decisões erradas podem ter implicações catastróficas, realçando a necessidade crítica, mas desafiante, de regulamentações legais e éticas claras à medida que os sistemas de agentes se tornam mais autónomos.
• Finalmente, os agentic systems exigem recursos extensivos para serem desenvolvidos e implementados, tais como poder de processamento, enormes conjuntos de dados e competências especializadas, tornando-os caros para muitas empresas.

O Futuro dos AI Agents

O futuro dos AI agents é promissor, com sistemas cada vez mais proativos e autónomos na resolução de problemas. Em vez de simplesmente aguardarem instruções, estes agentes irão antecipar necessidades e sugerir soluções úteis.

Além disso, com um entendimento mais avançado das emoções, os AI agents proporcionarão interações mais naturais e personalizadas. A sua capacidade de lidar com texto, voz e imagens melhorará a comunicação e o serviço ao cliente.

À medida que estes agentes assumem papéis mais importantes, será essencial garantir que as suas ações sejam justas e transparentes, permitindo-lhes contribuir positivamente sem comprometer a confiança dos utilizadores.