Warsztat projektowania systemu wieloagentowego (MAS)

Dlaczego warto?

Zautomatyzuj złożony proces za pomocą AI, projektując system wieloagentowy (MAS) wspólnie z interdyscyplinarnym zespołem podczas warsztatu design thinking.

Dla kogo?

Systemy wieloagentowe wymagają współpracy ekspertów z następujących dziedzin:

• Domena biznesowa i procesy

• Big data i Agentic AI

• IT, bezpieczeństwo i prywatność

Wymaga też współpracy wszystkich interesariuszy, czyli:

• Użytkownicy: pracownicy i/lub klienci

• Deweloperzy: inżynierowie oprogramowania, danych i AI

• Decydenci: właściciele procesów biznesowych

• Konsultanci: specjaliści ds. prywatności, doradcy ds. bezpieczeństwa itd.

Na koniec potrzebny jest facylitator, który zjednoczy różne osoby, aby stworzyć efektywny zespół.

Kiedy stosować?

Zespół zebrał się i wybrał (istniejący lub nowy) proces biznesowy. Chce zautomatyzować i zoptymalizować ten proces za pomocą Agentic AI, aby zwiększyć wydajność, skuteczność i/lub odporność.

Jeśli nie zidentyfikowano jeszcze procesu, zalecamy przeprowadzenie Lean Data & AI Strategy Workshop w celu zidentyfikowania i priorytetyzacji potencjalnych przypadków użycia dla Agentic AI.

Podczas jednodniowego warsztatu projektowania MAS uczestnicy określają cele i kluczowe rezultaty, identyfikują agentów ludzkich i sztucznych oraz projektują przepływ pracy i informacji między agentami. Dodatkowo określane są podstawy techniczne i analityczne oraz definiowane niezbędne wytyczne zapewniające bezpieczeństwo, prywatność, sprawiedliwość i inne aspekty.

Czego użyć?

Ten szablon warsztatu opiera się na sprawdzonej metodzie Data & AI Business Design Method, stosowanej na całym świecie przez wiele znanych firm i firm doradczych. Wykorzystuje kanwy z zestawu Data & AI Business Design Kit, który jest udostępniany bezpłatnie na licencji Creative Commons.

Jak tego używać?

Ten szablon warsztatu jest przeznaczony na jednodniową sesję, którą można podzielić na dwa półdniowe bloki. W ciągu dnia uczestnicy przechodzą przez sześć faz i w każdej z nich wykonują kilka kroków na osobnej kanwie. Na kanwach znajdziesz numerki w kółkach (①, ②, ...), które odpowiadają krokom w danej fazie.

I. Wprowadzenie

Wprowadzenie ma na celu upewnienie się, że wszyscy uczestnicy dążą do tego samego celu i są gotowi podążać wspólnie zaproponowaną ścieżką. Aby nakreślić i przedstawić tę ścieżkę (czyli agendę warsztatu), używamy Data & AI Design Thinking Workshop Canvas i wykonujemy następujące kroki:

① Dostosuj nagłówek kanwy, podając nazwę firmy, a jeśli dotyczy, nazwę firmy doradczej, oraz wprowadź datę. Ten krok należy powtórzyć na wszystkich kolejnych kanwach.

② Ustal konkretny Cel warsztatu i zdefiniuj oczekiwane Kluczowe rezultaty (czyli elementy do dostarczenia).

③-⑦ Dostosuj elementy agendy, czasy sesji i inne elementy w razie potrzeby.

Gdy pracujesz nad punktem agendy, zmień kolor odpowiadającej mu karteczki samoprzylepnej na żółty. Gdy skończysz, zaznacz ją na zielono. Dzięki temu zespół zawsze ma przegląd bieżącego stanu.

II. Analiza procesu biznesowego

Następnie musimy zwizualizować i przeanalizować proces biznesowy, który chcemy zautomatyzować i zoptymalizować za pomocą Agentic AI. W tym celu używamy Value Chain Canvas oraz zielonych karteczek dla istniejących elementów, żółtych dla planowanych i czerwonych dla brakujących elementów.

① W polu Skupienie na wpisz nazwę procesu biznesowego.

② Zacznij od początku procesu po lewej stronie Value Chain Canvas: a) Jaki jest Initial State, Base Products lub czynnik inicjujący, który uruchamia proces biznesowy?b) Kto (osoba, rola lub jednostka organizacyjna) definiuje stan początkowy, dostarcza produkty bazowe lub wywołuje zdarzenie (Producers)?

③ Następnie przejdź do końca procesu biznesowego po prawej stronie Value Chain Canvas:a) Jaki jest Final State, End Products lub kluczowe rezultaty procesu biznesowego?b) Kto jest beneficjentem stanu końcowego, konsumentem produktów końcowych lub odbiorcą kluczowych rezultatów (Customers)?

④ Teraz nakreśl Primary Activities, czyli przepływ pracy procesu: jakie działania są konieczne i w jakiej kolejności się odbywają? Jakie są alternatywne lub równoległe przebiegi?

⑤ Oprócz Działań podstawowych często są niezbędne Działania wspierające: jakie ogólne środki lub jednostki organizacyjne wspierają proces biznesowy?

⑥ Jeśli działania wspierające nie są realizowane wewnętrznie, lecz przez firmy zewnętrzne i dotyczą całego procesu, zanotuj je w polu Dostawcy ogólni.

⑦ Dostawców, którzy wykonują lub wspierają tylko pojedyncze kroki procesu, umieść w polu Dostawcy specjalni.

⑧ Na niebieskich karteczkach zapisz kluczowe wskaźniki efektywności (KPI), które mierzą wydajność, skuteczność, jakość, stabilność itd. procesu, oraz określ odpowiadające im wartości docelowe.

Na koniec wyodrębnij z Value Chain Canvas wszystkie cele, kluczowe wyniki i KPI istotne dla Agentic AI i wpisz je w zielone pole Cele biznesowe i kluczowe wyniki jako wyjście agentów.

III. Identyfikacja ról użytkowników

Teraz, gdy znamy i rozumiemy proces biznesowy, możemy odpowiedzieć na pytanie: kto jest interesariuszem w kontekście tego procesu? Aby to ustalić, używamy Kanwy analizy interesariuszy i niebieskich karteczek samoprzylepnych, aby zidentyfikować osoby lub role. Powinniśmy rozważyć następujące funkcje interesariuszy (jedna osoba/rola może pełnić kilka funkcji):

① W polu Skupione na wpisz nazwę procesu biznesowego.

② Osoby decyzyjne: Kto podejmuje decyzje wpływające na przebieg procesu?

③ Decydenci finansowi: Jeśli w trakcie procesu podejmowane są decyzje zakupowe, budżetowe lub dotyczące innych zasobów finansowych, kto dostarcza środki lub jest sponsorem?

④ Użytkownicy końcowi: Kto korzysta z rezultatów procesu (por. Klienci na Kanwie łańcucha wartości)?

⑤ Sabotażyści: Kto mógłby próbować zakłócić proces, negatywnie wpływając na osoby decyzyjne, decydentów finansowych lub użytkowników końcowych?

⑥ Influencerzy: Kto mógłby wspierać proces, pozytywnie wpływając na decydentów, dysponentów budżetu lub użytkowników końcowych?

⑦ Rekomendujący: Kto aktywnie uczestniczy w procesie w funkcji doradczej lub udziela wsparcia informacyjnego?

⑧ Wykonawcy: Kto faktycznie wdraża proces, czyli wykonuje działania?

W późniejszym projektowaniu systemu wieloagentowego agenci przejmują funkcje niektórych osób/rol. Jednak nawet przy bardzo wysokim stopniu automatyzacji pewne funkcje pozostają przy ludzkich agentach: muszą oni sprawdzać wyniki agentów AI, zatwierdzać je lub są użytkownikami i/lub odbiorcami korzyści zautomatyzowanego procesu.

Zmieniąc kolor karteczek samoprzylepnych, oznaczamy określonych interesariuszy:

• Zielone oznaczają agentów-ludzi, którzy odgrywają rolę w procesie Agentic AI.

• Czerwone oznaczają interesariuszy, którzy nie powinni już odgrywać roli (tzn. nie są agentami ludzkimi).

• Żółte oznaczają interesariuszy, co do których nie jesteśmy jeszcze pewni (czyli potencjalni agenci-ludzie).

Na koniec przenosimy wszystkich agentów-ludzi do żółtego pola Human Agents, aby zaprojektować w następnym kroku agentyczny przepływ pracy i agentów AI.

IV. Projektowanie agentycznego przepływu pracy

Do projektowania agentycznego przepływu pracy używamy formatu DiagramFormat oraz Kształty agentycznych przepływów pracy w Miro. Z części II. Analiza procesu biznesowego wiemy już, jakich wyników oczekujemy od agentów. Z części III. Identyfikacja ról użytkowników znamy interesariuszy, którzy dostarczają agentom dane wejściowe, tzn. uruchamiają proces, tworzą prompty, dostarczają informacje i dokumenty, odpowiadają na zapytania agentów, podejmują decyzje albo sprawdzają i zatwierdzają (wstępne) wyniki.

Istnieją dwa sposoby automatyzacji istniejącego procesu za pomocą AI:

1. W dużej mierze zachować dotychczasowy przebieg procesu i zastąpić ludzkich agentów agentami AI, którzy wykonują działania i podejmują decyzje.

2. Całkowicie przemyśleć przebieg procesu, aby wykorzystać zalety Agentic AI: na przykład równoległe przetwarzanie kilku alternatywnych rozwiązań.

Jeśli nie wiesz, która opcja jest lepsza, zaprojektuj dwie (lub więcej) wersje, a potem zdecyduj - albo połącz rozwiązania.

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

• Jakie działania lub obowiązki wykonywali ludzie pełniący rolę agentów?

➡️ Ludzki agent staje się agentem AI.

• Jakie zadania specjalistyczne wymagają szczególnej wiedzy dziedzinowej?

➡️ Agent AI jest szkolony z wykorzystaniem tej wiedzy dziedzinowej.

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

➡️ Agent AI pełni funkcję interfejsu do źródła danych lub systemu IT.

• Z jakimi użytkownikami (rolami) musimy się komunikować?

➡️ Agent AI zajmuje się komunikacją z użytkownikiem.

• Które czynności można wykonywać równolegle?

➡️ Czynności są rozdzielane między różnych agentów AI.

• Które czynności są wielokrotnie potrzebne innym agentom?

➡️ Agent AI udostępnia tę czynność innym agentom jako usługę.

• Które czynności wymagają specjalnych zabezpieczeń i środków ochrony danych?

➡️ Te czynności wykonują specjalnie zabezpieczone agenty AI.

• Jakie wewnętrzne agenty AI są już używane?

➡️ Istniejący agent AI zostaje ponownie wykorzystany.

• Jakie zewnętrzne agenty AI są już wdrożone?

➡️ Zewnętrzny agent AI jest integrowany, a w razie potrzeby enkapsulowany przez wewnętrznego agenta AI.

• Którzy agenci AI mogą wspierać koordynację pozostałych agentów AI?

➡️ Specjalne agenty AI zajmują się delegowaniem, agregacją, synchronizacją itp. zarówno informacji, jak i przepływu pracy.

Aby zakończyć projekt MAS, trzeba zamodelować przepływ informacji i pracy między agentami AI a agentami ludzkimi. W tym celu elementy diagramu (ludzcy agenci, agenci AI, rezultaty) łączy się strzałkami. Z reguły przepływy informacji i pracy są identyczne. W przypadkach, gdy tak nie jest, można użyć linii przerywanej dla samego przepływu informacji.

V. Ocena danych i AI oraz roadmapa

Niektóre agenty AI potrzebują dostępu do odczytu istniejących źródeł danych, a nawet dostępu do zapisu w systemach IT, aby zmieniać lub tworzyć rekordy danych albo uruchamiać określone podprocesy. Inne agenty AI wymagają konkretnych funkcjonalności 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 połączyć je ze agentami AI za pomocą strzałek. Tutaj możemy także zdefiniować interfejsy, takie jak Agent2Agent (A2A) lub Model Context Protocol (MCP).

Następnie oceniamy, czy wymagane systemy są już używane, czy znajdują się w fazie planowania lub działają, czy też najpierw trzeba je zaprojektować i rozwinąć. W tym celu używamy zielonych, żółtych i czerwonych karteczek oraz Canvasu dojrzałości Analytics i AI. Canvas rozróżnia narzędzia ogólne i konkretne aplikacje na różnych poziomach złożoności i dojrzałości.

② Zielone pola opisują konkretne zastosowania dla:

a) Operacje biznesowe: aplikacje zajmujące się jedynie przetwarzaniem danych, bez funkcji analitycznych ani AI.

b) Raportowanie biznesowe: zwykle aplikacje automatyzujące tworzenie raportów lub dashboardów opartych na analizach opisowych.

c) Eksploracja biznesowa: aplikacje do badania trendów, korelacji, anomalii itp., służące do uzyskiwania wniosków na podstawie analiz diagnostycznych.

d) Prognozowanie biznesowe: aplikacje do prognozowania, nowcastingu lub backcastingu oparte na analizach predykcyjnych.

e) Optymalizacja biznesowa: Aplikacje do optymalizacji procesów biznesowych oparte na analityce preskrypcyjnej.

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

Agenci AI często komunikują się z istniejącymi aplikacjami przez interfejsy programistyczne aplikacji (API).

③ Żółte pola przeznaczone są na narzędzia do pracy z danymi i analiz, które można wykorzystać do wdrożenia agentów AI:

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

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

c) Analityka diagnostyczna: Narzędzia do analiz statystycznych lub np. platformy do eksperymentów A/B.

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

e) Analityka preskrypcyjna: Stosuje się tu metody symulacji i optymalizacji, a także rozwiązania generatywnej AI.

f) Analityka autonomiczna: Wykorzystuje się tutaj m.in. algorytmy uczenia przez wzmocnienie oraz specjalne rozwiązania dla Agentic AI.

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

VI. Wymagania dotyczące zabezpieczeń AI

Przeanalizowaliśmy proces biznesowy, interesariuszy, źródła danych oraz możliwości IT / BI / AI, aby upewnić się, że nasz system wieloagentowy jest sensowny, pożądany i wykonalny. Wciąż brakuje jednak jednego ważnego kryterium: systemy AI muszą być odpowiedzialne.

Z wielką mocą wiąże się wielka odpowiedzialność. Zasada ta jest również ujęta w prawie, na przykład w rozporządzeniu UE w sprawie sztucznej inteligencji (AI Act).

Aby zapewnić, że nasze agenty AI działają zgodnie z zasadami Odpowiedzialnej AI (rAI), potrzebujemy tzw. zabezpieczeń AI (guardrails). W systemie wieloagentowym te zabezpieczenia mogą być wdrażane przez agenty, które monitorują i kontrolują pozostałe agenty.

Najpierw definiujemy zabezpieczenia, czyli reguły i ograniczenia, które chcemy nałożyć na MAS. Używamy 3 Boxes Canvas, aby podzielić reguły na trzy kategorie:

1. Zabezpieczenia i bezpieczeństwo: Ani MAS, ani jego użytkownicy nie powinni ponieść żadnej szkody.

2. Wyjaśnialność i przejrzystość: Użytkownicy powinni móc zrozumieć decyzje i działania MAS.

3. Prywatność i sprawiedliwość: Użytkownicy nie mogą ponieść żadnej niekorzyści w wyniku działania MAS.

Wyróżniamy także zabezpieczenia odnoszące się do danych wejściowych, modeli wewnętrznych oraz wyjścia agentów AI:

• Szyna wejściowa: Może np. sprawdzać dane wejściowe użytkownika pod kątem wstrzyknięć poleceń (prompt injection), aby chronić dane firmy przed wyciekiem.

• Szyna modelowa: Można np. monitorować wskaźniki jakości modelu, by wykluczyć dyskryminację grup osób.

• Szyna wyjściowa: Ponieważ LLM-y mogą halucynować, przydatne jest np. sprawdzenie wiarygodności wyników.

W ostatnim kroku Guardrail Agents (szare pole na diagramie) określają, jak wdrożyć te zasady oraz w jaki sposób strzałki łączą je z AI Agents.

Na zakończenie warsztatu określ konkretne zadania do wykonania i przypisz je uczestnikom warsztatu. A potem: Wykonaj zadania!

Gdzie znaleźć więcej?

Datentreiber oferuje Ci nie tylko ten szablon Miroverse, ale także:

• Zestaw Data & AI Business Design Kit oferuje liczne otwarte kanwy do stosowania metody Data & AI Business Design.

• Dostępna jest też bezpłatna Data & AI Business Design Community — miejsce do wymiany doświadczeń, uczestnictwa w wydarzeniach i dostępu do treści eksperckich.

• Płatne szkolenia online i stacjonarne z certyfikacją są dostępne w Data & AI Business Design Academy.

• W naszym komercyjnym Data & AI Business Design Bench dostępne są liczne dodatkowe narzędzia zarządcze, szablony warsztatów i wzorce projektów.

• Nasze Data & AI Business Consulting wspiera Twoją strategię danych i AI oraz projekty innowacji i transformacji.

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

Prawa autorskie: Wszelkie prawa zastrzeżone przez Datentreiber GmbH.