Warsztat projektowania systemu Multi-Agent (MAS)

Dlaczego warto?

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

Dla kogo?

Systemy wieloagentowe wymagają współpracy specjalistów z następujących obszarów:

• 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

• Osoby decyzyjne: właściciele procesów biznesowych

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

Potrzebny jest też prowadzący, który skoordynuje pracę różnych osób i stworzy efektywny zespół.

Kiedy używać?

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

Jeśli nie zidentyfikowano jeszcze żadnego procesu, zalecamy Lean Data & AI Strategy Workshop, aby zidentyfikować i ustalić priorytety potencjalnych przypadków użycia Agentic AI.

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

Czego użyć?

Ten szablon warsztatu opiera się na sprawdzonej metodzie Data & AI Business Design Method, z której korzystają na całym świecie liczne znane firmy i firmy doradcze. Wykorzystuje kanwy (canvases) z Data & AI Business Design Kit, które są udostępnione bezpłatnie na licencji Creative Commons.

Jak tego używać?

Ten szablon warsztatu jest przeznaczony na sesję jednodniową, którą można podzielić na dwie półdniowe części. W ciągu dnia uczestnicy przechodzą przez następujące sześć faz i wykonują w każdej z nich kilka kroków na sześciu różnych kanwach. Na kanwach znajdziesz numery 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 gotowi wspólnie podążać zaproponowaną ścieżką. Aby nakreślić i zaprezentować tę ścieżkę (czyli agendę warsztatu), używamy Data & AI Design Thinking Workshop Canvas i wykonujemy następujące kroki:

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

② Ustal konkretny Cel warsztatu i zdefiniuj oczekiwane Kluczowe Wyniki (tj. rezultaty do dostarczenia).

③-⑦ Dostosuj Agenda Items, Session Times i inne elementy w razie potrzeby.

Gdy pracujesz nad punktem porządku obrad, zmień kolor odpowiadającej karteczki na żółty. Po zakończeniu oznacz ją na zielono. Dzięki temu zespół zawsze ma przegląd aktualnego statusu.

II. Analiza procesu biznesowego

Następnie musimy zwizualizować i przeanalizować proces biznesowy, który chcemy zautomatyzować i zoptymalizować przy użyciu Agentic AI. Do tego używamy Value Chain Canvas oraz zielonych karteczek dla elementów istniejących, żółtych dla planowanych i czerwonych dla brakujących elementów.

① W polu Focused on wpisz nazwę procesu biznesowego.

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

a) Jaki jest Initial State, jakie są Base Products lub jaki czynnik wyzwalający uruchamia proces biznesowy?

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

③ Następnie przejdź do końca procesu biznesowego po prawej stronie Value Chain Canvas:

a) Jaki jest Stan końcowy, jakie są Produkty końcowe lub jakie są kluczowe wyniki procesu biznesowego?

b) Kto korzysta ze stanu końcowego, kto jest odbiorcą produktów końcowych lub kto otrzymuje kluczowe wyniki (Klienci)?

④ Teraz opisz Główne działania, czyli przepływ pracy procesu: jakie działania są niezbędne i w jakiej kolejności się odbywają? Jakie istnieją alternatywne lub równoległe ścieżki?

⑤ Oprócz Głównych działań często potrzebne są 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 obejmują cały proces, zanotuj je w General Suppliers.

⑦ Specjalni dostawcy, którzy wykonują lub wspierają tylko pojedyncze kroki procesu, umieść w Special Suppliers.

⑧ Określ Kluczowe Wskaźniki Wydajności (KPI) na niebieskich karteczkach samoprzylepnych — mierzą one efektywność, skuteczność, jakość, stabilność itp. procesu i określ odpowiadające im wartości docelowe.

Na koniec wyodrębnij wszystkie cele, kluczowe rezultaty oraz KPI z Value Chain Canvas, które są istotne dla Agentic AI, i wpisz je w zielonym polu Business Objectives & Key Results jako rezultaty działania 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 i niebieskich karteczek, aby zidentyfikować osoby lub role. Powinniśmy rozważyć następujące funkcje interesariuszy (jedna osoba/rola może pełnić kilka funkcji):

① W polu Focused on wpisz nazwę procesu biznesowego.

② Decision Makers: Kto podejmuje decyzje wpływające na przebieg procesu?

③ Economic Buyers: Jeśli w trakcie procesu zapadają decyzje dotyczące zakupów, budżetu lub innych zasobów finansowych, kto zapewnia środki lub pełni rolę sponsora?

④ End Users: Kto korzysta z rezultatów procesu (por. Customers na Value Chain Canvas)?

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

⑥ Influencers: Kto mógłby wspierać proces, pozytywnie wpływając na Decision Makers, Economic Buyers lub End Users?

⑦ Recommenders: Kto aktywnie uczestniczy w procesie w roli doradczej lub udziela wsparcia informacyjnego?

⑧ Implementors: Kto faktycznie wdraża proces, czyli wykonuje poszczególne działania?

W dalszym projektowaniu Multi-Agent System (MAS) agents przejmują funkcje niektórych osób/ ról. Jednak nawet przy bardzo wysokim stopniu automatyzacji pewne funkcje pozostają przy human agents: muszą sprawdzać wyniki AI agents, zatwierdzać je lub są użytkownikami i/lub beneficjentami zautomatyzowanego procesu.

Zmieniając kolor karteczek samoprzylepnych, oznaczamy określonych interesariuszy:

• Zielone oznaczają human agents, którzy odgrywają rolę w procesie Agentic AI.

• Czerwone oznaczają interesariuszy, którzy nie powinni już pełnić roli (tzn. brak human agents).

• Żółte oznaczają tych interesariuszy, co do których nie jesteśmy jeszcze pewni (czyli mogą być human agents).

Na koniec przenosimy wszystkich human agents do żółtego pola Human Agents, aby w kolejnym kroku zaprojektować workflow Agentic AI oraz AI agents.

IV. Agentic Workflow Design

Do projektowania Agentic workflow używamy DiagramFormat oraz Agentic Workflows Shapes w Miro. Z II. Business Process Analysis znamy już wyniki, których oczekujemy od agents. Z III. User Role Identification znamy interesariuszy, którzy dostarczają wejścia dla agents, tzn. uruchamiają proces, tworzą prompty, przekazują informacje i dokumenty, odpowiadają na zapytania od agents, podejmują decyzje lub sprawdzają i zatwierdzają (tymczasowe) wyniki.

Istnieją dwie opcje automatyzacji istniejącego procesu za pomocą AI:

1. W dużej mierze zachować istniejący przebieg procesu i zastąpić ludzkich agentów agentami AI, którzy wykonują zadania 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) wersji, a potem zdecyduj - albo połącz rozwiązania.

Zadaj uczestnikom warsztatu następujące pytania, aby zidentyfikować kandydatów na agentów AI:

• Jakie zadania lub obowiązki wykonują ludzcy agenci?

➡️ Ludzki agent staje się agentem AI.

• Jakie zadania specjalistyczne wymagają wiedzy dziedzinowej?

➡️ Agent AI jest trenowany w oparciu o tę wiedzę dziedzinową.

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

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

• Z jakimi użytkownikami (rolami) musimy się komunikować?

➡️ Agent AI obsługuje komunikację z użytkownikiem.

• Które czynności można wykonywać równolegle?

➡️ Czynności są przydzielane różnym agentom AI.

• Które czynności są wielokrotnie potrzebne innym agentom?

➡️ Agent AI udostępnia tę czynność innym agentom jako usługę.

• Które czynności wymagają specjalnych środków bezpieczeństwa i ochrony danych?

➡️ Te czynności wykonują specjalnie zabezpieczeni agenci AI.

• Którzy wewnętrzni agenci AI są już wykorzystywani?

➡️ Istniejący agent AI zostaje ponownie wykorzystany.

• Którzy zewnętrzni agenci AI są już wdrożeni?

➡️ Zewnętrzny agent AI jest zintegrowany i, 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. przepływu informacji i pracy.

Aby ukończyć projekt MAS, należy zamodelować przepływ informacji i przepływ pracy między agentami AI a agentami ludzkimi. W tym celu elementy diagramu (agenci-ludzie, agenci AI, rezultaty) łączy się strzałkami. Z reguły przepływy informacji i pracy są identyczne. W sytuacjach, gdy tak nie jest, do przedstawienia samego przepływu informacji można użyć linii przerywanej.

V. Ocena danych i AI oraz tworzenie roadmapy

Niektóre agenty AI potrzebują dostępu do odczytu istniejących źródeł danych lub nawet dostępu do zapisu w systemach IT / BI / AI, aby zmieniać lub tworzyć rekordy danych albo wywoływać 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.

W niebieskim obszarze diagramu projektowania MAS określamy wymagane systemy IT / BI / AI i łączymy 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 wdrożone, czy znajdują się w fazie planowania lub działania, czy też trzeba je najpierw zaprojektować i opracować. Do tego używamy zielonych, żółtych i czerwonych karteczek samoprzylepnych oraz kanwy Analytics & AI Maturity Canvas. Kanwa rozróżnia narzędzia ogólne od konkretnych aplikacji na różnych poziomach złożoności i dojrzałości.

② Zielone pola opisują konkretne zastosowania dla:

a) Operacje biznesowe: aplikacje jedynie do przetwarzania danych, bez funkcji analitycznych ani AI.

b) Raportowanie biznesowe: zwykle aplikacje do automatyzacji tworzenia raportów lub dashboardów opartych na analizie opisowej.

c) Eksploracja biznesowa: aplikacje do badania trendów, korelacji, anomalii itp., w celu uzyskania wniosków na podstawie analizy diagnostycznej.

d) Prognozowanie biznesowe: aplikacje do prognozowania, nowcastingu lub backcastingu w oparciu o analitykę predykcyjną.

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

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

Agenci AI często wchodzą w interakcję z istniejącymi aplikacjami za pośrednictwem interfejsów programistycznych aplikacji (API).

③ Żółte pola są przeznaczone dla narzędzi do pracy z danymi i analiz, które można wykorzystać do implementacji agentów AI:

a) Zarządzanie danymi: Obejmuje na przykład systemy bazodanowe.

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

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

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

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

f) Analityka autonomiczna: Stosuje się tu m.in. algorytmy uczenia ze wzmocnieniem lub specjalne rozwiązania dla Agentic AI.

Upewnij się, że dla wszystkich wymaganych danych i funkcjonalności 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 możliwy do wdrożenia, pożądany i wykonalny. Wciąż brakuje jeszcze jednego ważnego kryterium: systemy AI muszą być odpowiedzialne.

Z wielką mocą wiąże się wielka odpowiedzialność. Zasada ta jest również uwzględniona w prawie, na przykład w EU AI Act.

Aby upewnić się, że agenci AI działają zgodnie z zasadami Responsible AI (rAI), potrzebujemy tzw. AI guardrails. W systemie wieloagentowym te guardrails mogą być z kolei implementowane przez agentów, którzy monitorują i kontrolują innych agentów.

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

1. Security & Safety: Ani MAS, ani jego użytkownicy nie mogą ponieść szkody.

2. Explainability & Transparency: Użytkownicy muszą być w stanie zrozumieć decyzje i działania MAS.

3. Privacy & Fairness: Użytkownicy nie mogą ponosić żadnych niekorzyści w wyniku działania MAS.

Wyróżniamy też guardrails dotyczące wejścia, wewnętrznych modeli oraz wyjścia agentów AI:

• Input Rail: Na przykład może sprawdzać dane wejściowe użytkownika pod kątem prompt injection, aby chronić dane firmy przed wyciekiem.

• Model Rail: Przykładowo, w celu zapewnienia sprawiedliwości można monitorować wskaźniki jakości modelu, by wykluczyć dyskryminację grup osób.

• Output Rail: Ponieważ LLM-y mają skłonność do halucynacji, przydatne jest na przykład sprawdzenie wiarygodności wyniku.

W końcowym kroku Guardrail Agents (szare pole na diagramie) określają, jak wdrożyć te reguły i jak są połączone strzałkami z AI Agents.

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

Gdzie znaleźć więcej?

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

• Data & AI Business Design Kit oferuje liczne kanwy open source do zastosowania metody Data & AI Business Design.

• Ponadto dostępna jest bezpłatna Data & AI Business Design Community do wymiany doświadczeń, udziału w wydarzeniach i korzystania z treści eksperckich.

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

• W naszym komercyjnym Data & AI Business Design Bench znajdziesz wiele dodatkowych narzędzi zarządzania, szablonów warsztatów i wzorców projektowych.

• Nasze Data & AI Business Consulting oferuje wsparcie w zakresie strategii danych i AI, innowacji oraz projektów transformacji.

Jeśli chcesz uzyskać więcej informacji lub masz pytania bądź uwagi, skontaktuj się z nami: info@datentreiber.de.

Prawa autorskie: Wszelkie prawa zastrzeżone przez Datentreiber GmbH.