Workshop de design de Multi-Agent System (MAS)

Por que usar?

Automatize um processo complexo com IA projetando um Multi-Agent System (MAS) em conjunto com um time interdisciplinar em uma oficina de design thinking.

Para quem é indicado?

Sistemas multiagente exigem a colaboração de especialistas nas seguintes áreas:

• Domínio de negócio e processos

• Big data e Agentic AI

• TI, segurança e privacidade

Também exige que todos os stakeholders colaborem, ou seja:

• Usuários: funcionários e/ou clientes

• Desenvolvedores: engenheiros de software, de dados e de IA

• Tomadores de decisão: responsáveis pelo processo de negócio

• Consultores: encarregados de privacidade, assessores de segurança, etc.

Por fim, é necessário um facilitador para reunir as diferentes pessoas e formar um time eficaz.

Quando usar?

O time já se reuniu e definiu um processo de negócio (existente ou novo). O time quer automatizar e otimizar esse processo com Agentic AI para aumentar a eficiência, a eficácia e/ou a robustez.

Se nenhum processo tiver sido identificado ainda, recomendamos o Lean Data & AI Strategy Workshop para identificar e priorizar potenciais casos de uso para Agentic AI.

Durante o workshop de design de MAS de um dia, os participantes especificam os objetivos e os resultados-chave, identificam os agentes humanos e artificiais e projetam o fluxo de trabalho e de informação entre os agentes. Além disso, são definidos os fundamentos técnicos e analíticos, e especificadas as proteções necessárias para garantir segurança, privacidade, equidade e outros requisitos.

O que usar?

Este modelo de workshop baseia-se no Data & AI Business Design Method, testado e comprovado e utilizado mundialmente por muitas empresas e consultorias de renome. Ele usa os canvases do Data & AI Business Design Kit, disponibilizados gratuitamente sob uma licença Creative Commons.

Modo de usar?

Este modelo de workshop foi projetado para uma sessão de um dia que pode ser dividida em dois períodos de meio dia. Ao longo do dia, os participantes passam pelas seis fases a seguir e executam várias etapas em seis canvases diferentes para cada fase. Nos canvases, você encontrará números em círculos (①, ②, ...) que correspondem às etapas de cada fase.

I. Introdução

A introdução tem como objetivo garantir que todos os participantes busquem o mesmo objetivo e estejam dispostos a seguir o caminho proposto em conjunto. Para esboçar e apresentar esse caminho (ou seja, a agenda do workshop), usamos o Data & AI Design Thinking Workshop Canvas e realizamos os seguintes passos:

① Personalize o cabeçalho do canvas especificando a empresa e, se aplicável, a consultoria, e inserindo a data. Essa etapa também deve ser realizada em todos os canvases subsequentes.

② Defina o Objetivo específico para o workshop e estabeleça os Resultados-chave desejados (ou seja, entregáveis).

③–⑦ Ajuste os Agenda Items, os Session Times e outros itens conforme necessário.

Quando estiver trabalhando em um item da agenda, mude a cor da nota adesiva correspondente para amarela. Quando terminar, marque-a como verde. Isso garante que o time sempre tenha uma visão geral do status atual.

II. Análise do processo de negócios

Em seguida, precisamos visualizar e analisar o processo de negócios que queremos automatizar e otimizar com Agentic AI. Para isso, usamos o Value Chain Canvas e notas adesivas verdes para elementos existentes, amarelas para elementos planejados e vermelhas para elementos ausentes.

① No campo Focused on, escreva o nome do processo de negócios.

② Comece pelo início do processo, no lado esquerdo do Value Chain Canvas:

a) Qual é o Initial State, os Base Products ou o gatilho que inicia o processo de negócios?

b) Qual pessoa, função ou unidade organizacional define o estado inicial, fornece os produtos básicos ou aciona o evento (Producers)?

③ Em seguida, continue com o final do processo de negócios no lado direito do Value Chain Canvas:

a) Qual é o Final State, os End Products ou os resultados-chave do processo de negócios?

b) Quem são os beneficiários do estado final, os consumidores dos produtos finais ou os destinatários dos resultados-chave (Customers)?

④ Agora descreva as Primary Activities, ou seja, o fluxo de trabalho do processo: quais ações são necessárias e em que ordem elas ocorrem? Que fluxos alternativos ou paralelos existem?

⑤ Além das Primary Activities, as Support Activities são frequentemente necessárias: quais medidas gerais e internas, ou quais unidades organizacionais, dão suporte ao processo de negócios?

⑥ Se as atividades de suporte não forem fornecidas internamente, mas por empresas externas e estiverem envolvidas ao longo de todo o processo, registre-as em General Suppliers.

⑦ Fornecedores especiais que executam ou dão suporte apenas a etapas individuais do processo devem ser colocados em Special Suppliers.

⑧ Registre os indicadores-chave de desempenho (kpi) em notas adesivas azuis, que medem a eficiência, eficácia, qualidade, estabilidade etc. do processo, e defina os valores-alvo correspondentes.

Por fim, extraia todos os objetivos, resultados-chave e kpis relevantes para a Agentic AI do Value Chain Canvas e especifique-os na caixa verde Business Objectives & Key Results como saída dos agentes.

III. Identificação de funções de usuário

Agora que conhecemos e entendemos o processo de negócio, podemos responder à pergunta: quem são os stakeholders no contexto do processo? Para responder a essa pergunta, usamos o Canvas de Análise de Stakeholders e notas adesivas azuis para identificar as pessoas ou funções. Devemos considerar as seguintes funções dos stakeholders (onde uma pessoa/função também pode assumir várias funções):

① No campo Focused on, anote o nome do processo de negócio.

② Tomadores de decisão: Quem toma decisões que influenciam o fluxo do processo?

③ Compradores econômicos: Se, durante o processo, são tomadas decisões de compra, orçamento ou de outros recursos (financeiros), quem fornece o dinheiro ou é o patrocinador?

④ Usuários finais: Quem usa os resultados do processo (cf. Clientes no Value Chain Canvas)?

⑤ Sabotadores: Quem poderia tentar sabotar o processo influenciando negativamente os tomadores de decisão, os compradores econômicos ou os usuários finais?

⑥ Influencers: Quem poderia apoiar o processo influenciando positivamente os Decision Makers, Economic Buyers ou End Users?

⑦ Recommenders: Quem participa ativamente do processo numa função consultiva ou fornece suporte com informações?

⑧ Implementors: Quem realmente implementa o processo, ou seja, executa as ações?

No design posterior do Multi-Agent System, os agents assumem a função de algumas pessoas/funções. Mas mesmo com um grau muito alto de automação, certas funções permanecem com human agents: eles precisam verificar os resultados dos AI agents, conceder aprovações ou são os usuários e/ou beneficiários do processo automatizado.

Ao mudar a cor das notas adesivas, marcamos certos stakeholders:

• Verde: agentes humanos que desempenham uma função no processo Agentic AI.

• Vermelho: stakeholders que não devem mais desempenhar uma função (ou seja, sem agentes humanos).

• Amarelo: stakeholders sobre os quais ainda não temos certeza (ou seja, talvez agentes humanos).

Por fim, transferimos todos os agentes humanos para a caixa amarela Human Agents para projetar o fluxo de trabalho Agentic AI e os agentes de IA na etapa seguinte.

IV. Design do fluxo de trabalho Agentic

Para o design do fluxo de trabalho Agentic, usamos o Formatode Diagrama e as Formas de Agentic Workflows da Miro. Já sabemos as saídas que esperamos dos agentes a partir da II. Análise de Processos de Negócios. A partir da III. Identificação de Funções de Usuário, conhecemos os stakeholders, que dão inputs aos agentes, ou seja, acionam o processo, escrevem prompts, fornecem informações e documentos, respondem a consultas dos agentes, tomam decisões ou verificam e aprovam resultados (parciais).

Existem duas opções para automatizar o processo existente com IA:

1. Manter em grande parte o fluxo do processo existente e substituir os agentes humanos por agentes de IA que executam as ações e tomam decisões.

2. Reformular completamente o fluxo do processo para aproveitar as vantagens da Agentic AI: por exemplo, o processamento paralelo de várias soluções alternativas.

Se não tiver certeza de qual variante é melhor, desenhe duas (ou mais) versões e depois decida, ou combine as soluções.

Para identificar candidatos a agentes de IA, faça aos participantes do workshop as seguintes perguntas:

• Quais atividades ou responsabilidades os agentes humanos assumiram?

➡️ O agente humano torna-se um agente de IA.

• Quais tarefas especializadas exigem conhecimento de domínio específico?

➡️ Um agente de IA é treinado com esse conhecimento de domínio.

• Quais sistemas de TI ou fontes de dados precisamos conectar?

➡️ Um agente de IA funciona como interface para a fonte de dados ou sistema de TI.

• Com quais usuários (funções) precisamos interagir?

➡️ Um agente de IA cuida da comunicação com os usuários.

• Quais atividades podem ser paralelizadas?

➡️ As atividades são distribuídas entre diferentes agentes de IA.

• Quais atividades são necessárias várias vezes por outros agentes?

➡️ Um agente de IA disponibiliza essa atividade para outros agentes como um serviço.

• Quais atividades exigem medidas especiais de segurança e proteção de dados?

➡️ Agentes de IA especialmente protegidos executam essas atividades.

• Quais agentes de IA internos já estão em uso?

➡️ O agente de IA existente é reutilizado.

• Quais agentes de IA externos já estão em uso?

➡️ O agente de IA externo é integrado e, se necessário, encapsulado por um agente de IA interno.

• Quais agentes de IA podem apoiar a coordenação dos demais agentes de IA?

➡️ Agentes de IA especiais cuidam da delegação, agregação, sincronização, etc. do fluxo de informações e de trabalho.

Para completar o design do MAS, é preciso modelar o fluxo de informações e de trabalho entre os agentes de IA e os agentes humanos. Para isso, os elementos do diagrama (agentes humanos, agentes de IA, entregáveis) são conectados por setas. Como regra, os fluxos de informações e de trabalho são idênticos. Quando não for o caso, pode-se usar uma linha tracejada para o fluxo apenas de informações.

V. Avaliação e roadmap de dados e IA

Alguns agentes de IA precisam de acesso de leitura a fontes de dados existentes ou até de acesso de escrita a sistemas de TI para alterar ou criar registros de dados ou acionar certos subprocessos. Outros agentes de IA exigem funcionalidades e capacidades específicas, como um Large Language Model (LLM) para se comunicar com agentes humanos ou um modelo preditivo para prever eventos e tendências.

Usamos a área azul do diagrama de design do MAS para especificar os sistemas de TI/BI/IA necessários e conectá-los aos agentes de IA por meio de setas. Aqui também podemos definir interfaces como Agent2Agent (A2A) ou Model Context Protocol (MCP).

Em seguida, avaliamos se já temos os sistemas necessários em uso, se eles ainda estão em fase de planejamento ou funcionamento, ou se antes precisam ser projetados e desenvolvidos. Para isso, usamos notas adesivas verdes, amarelas e vermelhas e o Canvas de maturidade de Analytics e IA. O canvas diferencia entre ferramentas gerais e aplicativos específicos em diferentes níveis de complexidade e maturidade.

② As caixas verdes descrevem os aplicativos específicos para:

a) Operações de negócios: aplicativos de processamento de dados puros, sem funcionalidades de analytics ou IA.

b) Relatórios de negócios: normalmente aplicativos para automatizar a geração de relatórios ou painéis com base em análises descritivas.

c) Descoberta de negócios: aplicativos para explorar tendências, correlações, anomalias etc., para obter insights com base em análises diagnósticas.

d) Previsão de negócios: aplicativos para previsão, nowcasting ou backcasting com base em análises preditivas.

e) Otimização de negócios: Aplicativos para otimização de processos de negócios com base em análises prescritivas.

f) Automação de negócios: Aplicativos para automação de processos de negócios com base em análises autônomas.

Agentes de IA frequentemente interagem com aplicativos existentes por meio de interfaces de programação de aplicativos (API).

③ As caixas amarelas destinam-se às ferramentas de dados e análise que podem ser usadas para implementar os agentes de IA:

a) Gerenciamento de dados: Inclui, por exemplo, sistemas de banco de dados.

b) Análise descritiva: Por exemplo, ferramentas de relatórios ou de painéis.

c) Análise diagnóstica: Ferramentas de análise estatística ou, por exemplo, plataformas para experimentos A/B.

d) Análise preditiva: Além de softwares para aprendizado de máquina e aprendizado profundo, também bibliotecas, por exemplo, para redes bayesianas, regressão linear etc.

e) Análise prescritiva: Aqui são usados métodos de simulação e otimização, assim como soluções de AI gerativa.

f) Análise autônoma: Aqui são usados algoritmos de aprendizado por reforço, entre outros, ou soluções específicas para agentic AI.

Garanta que haja um sistema IT / BI / AI, existente ou planejado, para todos os dados e funcionalidades necessários.

VI. Requisitos de guardrails de AI

Percorremos o processo de negócio, os stakeholders, as fontes de dados e as capacidades de IT / BI / AI para garantir que nosso Multi-Agent System (MAS) seja viável, desejável e exequível. Ainda falta outro critério importante: os sistemas de AI devem ser responsáveis.

Afinal, com grande poder vem grande responsabilidade. Esse princípio também está consagrado em lei, por exemplo no EU AI Act.

Para garantir que nossos agentes de IA cumpram os princípios da IA responsável (rAI), precisamos das chamadas proteções de IA. Em um sistema multiagente, essas proteções podem, por sua vez, ser implementadas por agentes que monitoram e controlam os demais agentes.

Primeiro, definimos as proteções, isto é, as regras e restrições que queremos impor ao MAS. Usamos o 3 Boxes canvas para dividir as regras em três categorias:

1. Segurança e integridade: Nem o MAS nem seus usuários podem sofrer qualquer dano.

2. Explicabilidade e transparência: Os usuários devem conseguir entender as decisões e ações do MAS.

3. Privacidade e equidade: Os usuários não devem sofrer qualquer desvantagem em decorrência do MAS.

Também distinguimos entre as proteções relativas à entrada, aos modelos internos e à saída dos agentes de IA:

• Input Rail: Poderia, por exemplo, verificar a entrada do usuário quanto a injeções de prompt para proteger os dados da empresa contra roubo.

• Model Rail: Um exemplo de como garantir equidade é monitorar indicadores de qualidade do modelo para impedir discriminação contra grupos de pessoas.

• Output Rail: Como os LLMs podem alucinar, é útil, por exemplo, fazer uma verificação de plausibilidade da saída.

Na etapa final, os Guardrail Agents (caixa cinza no diagrama) definem como implementar essas regras e como elas são conectadas por setas aos AI Agents.

Para concluir o workshop, defina tarefas concretas a serem realizadas e atribua-as aos participantes. E então: execute as tarefas!

Onde encontrar mais?

A Datentreiber oferece não apenas este modelo do Miroverse, mas também:

• O Data & AI Business Design Kit oferece diversos canvases de código aberto para aplicar o método Data & AI Business Design.

• Além disso, a comunidade Data & AI Business Design Free está disponível para troca, eventos e conteúdo de especialistas.

• Cursos de treinamento pagos, online e presenciais, com certificação estão disponíveis na Data & AI Business Design Academy.

• Muitas ferramentas de gestão adicionais, modelos de workshop e modelos de projeto estão disponíveis no nosso Data & AI Business Design Bench comercial.

• Nosso Data & AI Business Consulting oferece suporte para sua estratégia de Data & AI, inovação e projetos de transformação.

Se estiver interessado ou tiver dúvidas ou feedback, entre em contato conosco: info@datentreiber.de.

Copyright: Todos os direitos reservados por Datentreiber GmbH.