Warsztaty projektowe systemów wieloagentowych (MAS)

Dlaczego używać?

Automatyzuj złożony proces za pomocą AI, projektując system wieloagentowy (MAS) wspólnie z interdyscyplinarnym zespołem w warsztacie design thinking.

Kto ma używać?

Systemy wieloagentowe wymagają współpracy różnych ekspertów w następujących dziedzinach:

• Domena biznesowa i procesy

• Big data i Agentic AI

• IT, bezpieczeństwo i prywatność

Wymaga również współpracy wszystkich interesariuszy, tj.:

• Użytkownicy: pracownicy i/lub klienci

• Deweloperzy: inżynierowie oprogramowania, danych i AI

• Osoby decyzyjne: właściciele procesów biznesowych

• Konsultanci: funkcjonariusze ds. ochrony prywatności, doradcy ds. bezpieczeństwa itp.

Wreszcie, potrzebny jest moderator, który połączy różne osoby, aby stworzyć efektywny zespół.

Kiedy korzystać?

Zespół zebrał się razem i zdecydował o wyborze procesu (istniejącego lub nowego procesu biznesowego). Zespół chce zautomatyzować i zoptymalizować ten proces za pomocą Agentic AI, aby zwiększyć efektywność, skuteczność i/lub niezawodność.

Jeśli proces nie został jeszcze zidentyfikowany, zalecamy warsztat Lean Data & AI Strategy Workshop w celu zidentyfikowania i priorytetyzacji potencjalnych przypadków użycia Agentic AI.

Podczas jednodniowego warsztatu projektowania MAS uczestnicy określają cele i kluczowe wyniki, identyfikują ludzkich i sztucznych agentów, a także projektują przepływ pracy i informacji pomiędzy agentami. Ponadto, definiowane są techniczne i analityczne podstawy oraz określane są niezbędne zabezpieczenia, aby zapewnić bezpieczeństwo, prywatność, sprawiedliwość i inne aspekty.

Co wykorzystać?

Szablon warsztatu opiera się na sprawdzonej metodzie projektowania biznesowego z wykorzystaniem danych i AI, która jest stosowana na całym świecie przez wiele znanych firm i konsultantów. Wykorzystuje on kanwy z zestawu Data & AI Business Design Kit, które są udostępniane bezpłatnie na licencji Creative Commons.

Jak tego używać?

Ten szablon warsztatowy został zaprojektowany na jednodniową sesję, którą można podzielić na dwa półdniowe spotkania. W ciągu dnia uczestnicy przechodzą przez sześć faz, wykonując kilka kroków na sześciu różnych szablonach dla każdej fazy. Na szablonach znajdziesz liczby w kółkach (①, ②, ...), które odpowiadają krokom w każdej fazie.

I. Wprowadzenie

Wprowadzenie ma na celu zapewnienie, że wszyscy uczestnicy dążą do tego samego celu i są chętni do wspólnego podążania proponowaną ścieżką. Aby nakreślić i przedstawić tę ścieżkę (czyli agendę warsztatów), używamy szablonu Data & AI Design Thinking Workshop Canvas i realizujemy następujące kroki:

① Dostosuj nagłówek szablonu, określając firmę oraz, jeśli to możliwe, konsultanta, a także wpisz datę. Ten krok powinien być wykonany również na wszystkich kolejnych szablonach.

② Ustal konkretny Cel warsztatów i określ pożądane Kluczowe Wyniki (czyli wyniki).

③-⑦ Dostosuj elementy agendy, czas sesji i inne, w miarę potrzeby.

Kiedy pracujesz nad elementem agendy, zmień kolor odpowiadającej mu notatki samoprzylepnej na żółty. Po zakończeniu zmień go na zielony. To zapewnia, że zespół zawsze ma przegląd obecnego statusu.

II. Analiza procesów biznesowych

Następnie musimy zwizualizować i przeanalizować proces biznesowy, który chcemy zautomatyzować i zoptymalizować z wykorzystaniem Agentic AI. W tym celu używamy Value Chain Canvas i zielonych notatek samoprzylepnych dla istniejących elementów, żółtych dla planowanych elementów i czerwonych dla brakujących elementów.

① W polu Skupione na zanotuj nazwę procesu biznesowego.

② Zacznij od początku procesu po lewej stronie Value Chain Canvas:

a) Jaki jest stan początkowy, podstawowe produkty lub wyzwalacz, który rozpoczyna proces biznesowy?

b) Która osoba, rola lub jednostka organizacyjna definiuje stan początkowy, dostarcza podstawowe produkty lub inicjuje zdarzenie (Producenci)?

③ Następnie kontynuuj na końcu procesu biznesowego po prawej stronie tabeli Value Chain Canvas:

a) Jaki jest Stan Końcowy, Produkty Końcowe lub kluczowe wyniki procesu biznesowego?

b) Kto korzysta ze stanu końcowego, kto jest odbiorcą produktów końcowych lub wyników kluczowych (Klienci)?

④ Teraz zarysuj Podstawowe Aktywności, tj. przebieg procesu: Jakie działania są konieczne i w jakiej kolejności się odbywają? Jakie istnieją alternatywne lub równoległe przepływy?

⑤ Oprócz Podstawowych Aktywności często są potrzebne Działania Wspierające: jakie ogólne i wewnętrzne środki/jednostki organizacyjne wspierają proces biznesowy?

⑥ Jeśli działania wspierające nie są realizowane wewnętrznie, lecz przez firmy zewnętrzne i biorą udział w całym procesie, zanotuj je jako ogólnych dostawców.

⑦ Specjalnych dostawców, którzy wykonują lub wspierają tylko poszczególne kroki procesu, należy umieścić jako specjalnych dostawców.

⑧ Określ Kluczowe Wskaźniki Efektywności (KPI) na niebieskich karteczkach samoprzylepnych, które mierzą efektywność, skuteczność, jakość, stabilność itp. procesu oraz sprecyzuj odpowiadające im wartości docelowe.

Na końcu wyciągnij wszystkie cele, kluczowe wyniki oraz KPI istotne dla Agentic AI z Kanwy Łańcucha Wartości i określ je w zielonym polu cele biznesowe i kluczowe wyniki jako wyniki agentów.

III. Identyfikacja Ról Użytkowników

Teraz, gdy znamy i rozumiemy proces biznesowy, możemy odpowiedzieć na pytanie: kim są interesariusze w kontekście tego procesu? Aby odpowiedzieć na to pytanie, używamy Stakeholder Analysis Canvas oraz niebieskich karteczek samoprzylepnych do zidentyfikowania osób lub ról. Powinniśmy rozważyć następujące funkcje interesariuszy (przy czym jedna osoba/rola może pełnić kilka funkcji):

① W polu Skupione na zapisz nazwę procesu biznesowego.

② Decydenci: Kto podejmuje decyzje, które wpływają na przebieg procesu?

③ Główni nabywcy: Jeżeli podczas procesu podejmowane są decyzje dotyczące zakupu, budżetu lub innych (finansowych) zasobów, to kto dostarcza pieniądze lub jest sponsorem?

④ Użytkownicy końcowi: Kto korzysta z wyników procesu (por. Klienci na Value Chain Canvas)?

⑤ Sabotażyści: Kto mógłby próbować zakłócać proces, negatywnie wpływając na decydentów, głównych nabywców lub użytkowników końcowych?

⑥ Wspierający: Kto może wspierać proces, pozytywnie wpływając na decydentów, nabywców ekonomicznych lub użytkowników końcowych?

⑦ Rekomendujący: Kto jest aktywnie zaangażowany w proces w funkcji doradczej lub zapewnia wsparcie w postaci informacji?

⑧ Wprowadzający: Kto faktycznie realizuje proces, czyli wykonuje działania?

W późniejszym etapie projektowania systemu wieloagentowego, agenci przyjmują funkcję niektórych osób/rol. Jednak nawet przy bardzo wysokim stopniu automatyzacji, pewne funkcje pozostają w gestii ludzkich agentów: muszą oni sprawdzać wyniki agentów AI, przyznawać zgody lub być użytkownikami i/lub beneficjentami zautomatyzowanego procesu.

Zmieniamy kolor karteczek samoprzylepnych, by oznaczyć pewnych interesariuszy:

• Zielony kolor oznacza ludzkich agentów, którzy odgrywają rolę w procesie AI agentów.

• Czerwony oznacza interesariuszy, którzy nie mają już odgrywać żadnej roli (tj. nie są ludzkimi agentami).

• Żółty to interesariusze, co do których nie mamy jeszcze pewności (tj. mogą to być ludzkimi agenci).

Na koniec przenosimy wszystkich ludzkich agentów do żółtego pola Ludzcy Agenci, aby w następnym kroku zaprojektować przepływ pracy AI agentów i same AI agenty.

IV. Projektowanie Agentycznego Przepływu Pracy

Do projektowania agentycznego przepływu pracy używamy DiagramuFormat oraz Kształtów agentycznych przepływów pracy z Miro. Już znamy rezultaty, które oczekujemy od agentów z II. Analiza Procesu Biznesowego. Z III. Identyfikacji ról użytkowników wiemy, kim są interesariusze, którzy dostarczają dane wejściowe do agentów, tj. rozpoczynają proces, piszą polecenia, dostarczają informacje i dokumenty, odpowiadają na pytania agentów, podejmują decyzje lub sprawdzają i zatwierdzają (tymczasowe) wyniki.

Istnieją dwie opcje automatyzacji istniejącego procesu z pomocą AI:

1. W dużej mierze zachowanie obecnego przebiegu procesu i zastąpienie ludzkich agentów agentami AI, którzy wykonują działania i podejmują decyzje.

2. Całkowite przemyślenie przebiegu procesu w celu wykorzystania zalet agentowego AI: na przykład równoległe przetwarzanie kilku alternatywnych rozwiązań.

Jeśli nie jesteś pewien, która opcja jest lepsza, zaprojektuj dwie (lub więcej) wersji, a następnie zdecyduj — lub połącz rozwiązania.

Aby zidentyfikować kandydatów na agentów AI, zadaj uczestnikom warsztatu następujące pytania:

• Jakie działania lub odpowiedzialności przyjęli na siebie ludzcy agenci?

➡️ Ludzki agent staje się agentem AI.

• Jakie specjalistyczne zadania wymagają specjalistycznej wiedzy domenowej?

➡️ Agent AI jest szkolony w tej wiedzy domenowej.

• Z jakimi systemami IT lub źródłami danych musimy się połączyć?

➡️ Agent AI służy jako interfejs do źródła danych lub systemu IT.

• Z jakimi użytkownikami (rolami) musimy wchodzić w interakcję?

➡️ Agent AI obsługuje komunikację z użytkownikiem.

• Które działania można zrównoleglić?

➡️ Działania są rozdzielane pomiędzy różne agenty AI.

• Które działania są wielokrotnie wymagane przez inne agenty?

➡️ Agent AI udostępnia to działanie innym agentom jako usługę.

• Które działania wymagają specjalnych środków bezpieczeństwa i ochrony danych?

➡️ Specjalnie zabezpieczone agenty AI wykonują te działania.

• Jakie wewnętrzne agenty AI są już w użyciu?

➡️ Istniejący agent AI jest ponownie wykorzystywany.

• Jakie zewnętrzne agenty AI są już w miejscu?

➡️ Zewnętrzny agent AI jest zintegrowany i, jeśli to konieczne, otoczony agentem AI wewnętrznym.

• Którzy agenci AI mogą wspierać koordynację innych agentów AI?

➡️ Specjalne agenty AI zajmują się delegacją, agregacją, synchronizacją itp. przepływu informacji i pracy.

Aby ukończyć projekt MAS, konieczne jest modelowanie przepływu informacji i pracy pomiędzy agentami AI a ludźmi. W tym celu elementy diagramu (ludzkie agenty, agenty AI, rezultaty) są połączone strzałkami. Z reguły przepływy informacji i pracy są identyczne. W przypadkach gdy tak nie jest, do oznaczenia czystego przepływu informacji można używać linii przerywanej.

V. Ocena danych i AI oraz planowanie roadmapy

Niektóre z agentów AI potrzebują dostępu do istniejących źródeł danych do odczytu lub nawet dostępu do systemów IT w celu zmiany lub tworzenia rekordów danych, bądź wywoływania określonych podprocesów. Inne agenty AI wymagają specyficznych funkcji i możliwości, takich jak Duży Model Językowy (LLM) do komunikacji z agentami ludzkimi lub model predykcyjny do prognozowania zdarzeń i trendów.

Używamy niebieskiego obszaru diagramu projektowania MAS, aby określić wymagane systemy IT/BI/AI i łączyć je ze agentami AI za pomocą strzałek. Tutaj możemy także zdefiniować interfejsy, takie jak Agent2Agent (A2A) lub Model Context Protocol (MCP).

Następnie oceniamy, czy mamy już używane wymagane systemy, czy są one wciąż na etapie planowania lub testowania, czy też najpierw muszą zostać zaprojektowane i opracowane. W tym celu używamy zielonych, żółtych i czerwonych samoprzylepnych notatek oraz matrycy dojrzałości analiz i sztucznej inteligencji (Analytics & AI Maturity Canvas). Matryca rozróżnia między ogólnymi narzędziami a konkretnymi aplikacjami na różnych poziomach złożoności i dojrzałości.

② Zielone pola opisują konkretne zastosowania dla:

a) Operacji Biznesowych: czyste aplikacje do przetwarzania danych bez funkcjonalności analitycznej czy AI.

b) Raportowania Biznesowego: typowo aplikacje do automatyzacji generowania raportów lub dashboardów opartych na analizie opisowej.

c) Odkryć Biznesowych: aplikacje do badania trendów, korelacji, anomalii itp., które dostarczają wglądu na podstawie analizy diagnostycznej.

d) Prognozowania Biznesowego: aplikacje do prognozowania, nowcastingu lub backcastingu oparte na analizie predykcyjnej.

e) Optymalizacja procesów biznesowych: Aplikacje do optymalizacji procesów biznesowych w oparciu o analitykę preskryptywną.

f) Automatyzacja biznesu: Aplikacje do automatyzacji procesów biznesowych oparte na analityce autonomicznej.

Agenci AI często współdziałają z istniejącymi aplikacjami za pośrednictwem interfejsów programowania aplikacji (API).

③ Żółte pola są przeznaczone na narzędzia do zarządzania danymi i analizy, które mogą być wykorzystane do wdrożenia agentów AI:

a) Zarządzanie danymi: Obejmuje to na przykład systemy baz danych.

b) Analityka deskryptywna: Na przykład narzędzia do raportowania lub tworzenia pulpitów nawigacyjnych.

c) Analityka diagnostyczna: Narzędzia do analizy statystycznej lub platformy do eksperymentów A/B.

d) Analityka predyktywna: Oprócz oprogramowania do uczenia maszynowego i głębokiego, również biblioteki, np. do sieci bayesowskich, regresji liniowej itp.

e) Analizy preskryptywne: Stosuje się tutaj metody symulacji i optymalizacji oraz generatywne rozwiązania AI.

f) Analizy autonomiczne: Wykorzystuje się tutaj algorytmy uczenia ze wzmocnieniem, a także specjalne rozwiązania dla AI agentów.

Upewnij się, że dla wszystkich wymaganych danych i funkcjonalności istnieje lub jest planowany system IT / BI / AI.

VI. Wymagania dotyczące zabezpieczeń AI

Pracując nad procesem biznesowym, interesariuszami, źródłami danych oraz możliwościami IT / BI / AI, upewniliśmy się, że nasz system wieloagentowy jest wykonalny, pożądany i możliwy do zrealizowania. Istotne jest także, by AI była odpowiedzialna.

Z wielką mocą wiąże się również wielka odpowiedzialność. Ta zasada jest także prawnie określona, na przykład w unijnym rozporządzeniu AI.

Aby zapewnić, że nasi agenci AI przestrzegają zasad Odpowiedzialnej AI (rAI), potrzebujemy tzw. zabezpieczeń AI. W systemie multi-agentowym, te zabezpieczenia mogą być wprowadzane przez agentów, którzy monitorują i kontrolują inne agenty.

Najpierw definiujemy zabezpieczenia, czyli zasady i ograniczenia, które chcemy nałożyć na MAS. Wykorzystujemy Canvę 3 Pudełek do podziału zasad na trzy kategorie:

1. Bezpieczeństwo i Ochrona: Ani MAS, ani jego użytkownicy nie mogą ponieść żadnych szkód.

2. Objaśnialność i Przejrzystość: Użytkownicy muszą być w stanie zrozumieć decyzje i działania MAS.

3. Prywatność i Sprawiedliwość: Użytkownicy nie mogą doznać żadnej krzywdy wskutek działania MAS.

Również rozróżniamy zabezpieczenia odnoszące się do wejścia, wewnętrznych modeli i wyjścia agentów AI:

• Szyna wejściowa: Może na przykład sprawdzać wprowadzone przez użytkownika dane pod kątem wstrzyknięć, aby chronić firmę przed kradzieżą danych.

• Szyna modelu: Jednym ze sposobów zapewnienia sprawiedliwości jest monitorowanie wskaźników jakości modelu w celu wykluczenia dyskryminacji grup ludzi.

• Szyna wyjściowa: Ponieważ LLMy mogą generować błędne informacje, przydatne jest sprawdzanie prawdopodobieństwa wyników.

W ostatnim kroku agenci strażniczy (szara skrzynka w diagramie) określają, jak wdrożyć te zasady i jak są one połączone strzałkami z agentami SI.

Na zakończenie warsztatu precyzuj konkretne zadania do wykonania i przypisz je uczestnikom warsztatu. A potem: Do dzieła!

Gdzie znaleźć więcej?

Datentreiber oferuje nie tylko ten szablon Miroverse, ale także:

• Zestaw projektowania Data & AI w Biznesie oferuje liczne otwarte szablony do stosowania metody projektowania Data & AI w Biznesie.

• Dodatkowo dostępna jest darmowa Społeczność projektowania Data & AI w Biznesie dla wymiany, wydarzeń i treści eksperckich.

• Płatne szkolenia online i na miejscu z certyfikacją są dostępne w Akademii projektowania Data & AI w Biznesie.

• Wiele dodatkowych narzędzi zarządzania, szablonów warsztatów i planów projektów jest dostępnych w ramach naszej komercyjnej Ławki projektowania Data & AI w Biznesie.

• Nasze konsultacje w zakresie danych i sztucznej inteligencji oferują wsparcie dla Twojej strategii, innowacji i projektów transformacyjnych dotyczących danych i sztucznej inteligencji.

Jeśli jesteś zainteresowany lub masz pytania lub feedback, skontaktuj się z nami pod adresem: info@datentreiber.de.

Copyright: Wszelkie prawa zastrzeżone przez Datentreiber GmbH.